MedShift: Implicit Conditional Transport for X-Ray Domain Adaptation
Created by
Haebom
저자
Francisco Caetano, Christiaan Viviers, Peter H. H. de With, Fons van der Sommen
개요
합성 의료 데이터는 강력한 모델을 훈련하는 확장 가능한 솔루션을 제공하지만, 상당한 도메인 격차로 인해 실제 임상 환경으로의 일반화가 제한됩니다. 본 논문은 감쇠 동작, 노이즈 특성 및 연조직 표현의 불일치를 해소하는 데 중점을 두고 합성 및 실제 두부 X선 이미지 간의 도메인 간 변환 문제를 해결합니다. 본 논문에서는 Flow Matching과 Schrodinger Bridges를 기반으로 하는 통합된 클래스 조건부 생성 모델인 MedShift를 제안합니다. 이 모델은 여러 도메인 간의 고충실도, 비쌍 이미지 변환을 가능하게 합니다. 도메인별 훈련이 필요하거나 쌍으로 된 데이터에 의존하는 이전 접근 방식과 달리, MedShift는 공유 도메인 비의존적 잠재 공간을 학습하고 훈련 중에 관찰된 모든 도메인 쌍 간의 원활한 변환을 지원합니다. 또한 다양한 방사선량에서 정렬된 합성 및 실제 두개골 X선으로 구성된 새로운 데이터 세트인 X-DigiSkull을 도입하여 도메인 변환 모델의 벤치마킹을 수행합니다. 실험 결과는 확산 기반 접근 방식에 비해 더 작은 모델 크기임에도 불구하고 MedShift가 강력한 성능을 제공하며, 추론 시 지각 충실도 또는 구조적 일관성 중 하나를 우선시하도록 조정할 수 있으므로 의료 영상의 도메인 적응을 위한 확장 가능하고 일반화 가능한 솔루션임을 보여줍니다. 코드와 데이터 세트는 https://caetas.github.io/medshift.html 에서 이용 가능합니다.
시사점, 한계점
•
시사점:
◦
Flow Matching과 Schrodinger Bridges 기반의 통합 클래스 조건부 생성 모델 MedShift 제안을 통해 합성 및 실제 의료 이미지 간의 고충실도, 비쌍 이미지 변환 가능
◦
도메인 특정 훈련이나 쌍으로 된 데이터에 대한 의존성 없이 공유 도메인 비의존적 잠재 공간 학습 가능
◦
추론 시 지각 충실도 또는 구조적 일관성 중 하나를 우선시하도록 조정 가능하여 유연성 확보
◦
확산 기반 접근 방식보다 작은 모델 크기로 강력한 성능 제공
◦
새로운 데이터 세트 X-DigiSkull 제공으로 도메인 변환 모델 벤치마킹 가능
◦
확장 가능하고 일반화 가능한 도메인 적응 솔루션 제공
•
한계점:
◦
논문에서 명시적으로 언급된 한계점은 없음. 추가 연구를 통해 실제 임상 환경에서의 일반화 성능 및 다양한 의료 영상 모달리티에 대한 적용 가능성을 더욱 검증할 필요가 있음.
