중재적 X-ray AI 모델의 In Silico 학습을 위한 2D 대 3D 확산 모델(Diffusion) 비교

현실적인 X-ray 이미지를 합성하는 능력은, 주석이 달린(annotated) 데이터의 부족으로 어려움을 겪는 X-ray 이미지 유도 시술용 AI 모델의 발전을 촉진해 왔습니다. 이전 연구들은 디지털 재구성 방사선 사진(DRRs, Digitally Reconstructed Radiographs)의 기계적 시뮬레이션(mechanistic simulation)이 세그멘테이션(segmentation) 및 해부학적 랜드마크 검출(anatomical landmark detection)을 포함한 수많은 작업에서 실제 데이터로 학습한 것과 비슷하거나 더 우수한 성능을 보이는 학습 데이터 소스로서 효과적임을 입증했습니다. 그러나 기계적 DRR 합성은 여전히 주석이 달린 고해상도 해부학적 모델의 가용성에 의존합니다. 실제 환자나 표본의 CT 이미지로부터 이러한 모델을 도출하는 것은 데이터의 양과 다양성에 원치 않는 병목 현상을 초래합니다. 본 연구에서는 학습 데이터를 합성하기 위한 두 가지 방법을 탐구합니다: (1) 실제 3D 해부학적 모델 없이도 기계적 DRR 생성을 위한 입력값으로 사용할 CT 볼륨을 생성하는 3D 조건부 잠재 확산 모델(3D conditional latent diffusion model), 그리고 (2) 합성 X-ray를 생성하는 뷰 조건부 2D 확산 모델(view-conditioned 2D diffusion model)입니다. 통제된 실험을 통해, 우리는 합성된 2D 확산 기반 X-ray가 실제 X-ray 이미지로 학습된 모델에 필적하는 성능으로 실제 X-ray 이미지에 일반화될 수 있는 해부학적 랜드마크 검출 모델을 학습시키는 데 사용될 수 있음을 입증했습니다. 따라서 우리는 합성된 2D 확산 기반 학습 데이터가 실제 X-ray 데이터를 대체할 수 있다는 예비 증거를 제공하며, 이는 중재적 X-ray 영상(interventional X-ray imaging)에서 강력한 AI 모델을 학습시키기 위한 대규모의 다양한 데이터셋을 생성하는 유망한 경로를 제시합니다.