해부학적 구조를 보존하는 잠재 확산 모델을 이용한 뇌 분할 마스크 생성: 허혈성 경색 포함

Anatomy-Preserving Latent Diffusion for Generation of Brain Segmentation Masks with Ischemic Infarct

고품질 분할 마스크의 부족은 의료 영상 분석, 특히 조영제 미투여 CT(NCCT) 뇌 영상에서 심각한 문제이며, 이는 수동 어노테이션의 높은 비용과 변동성 때문에 더욱 악화됩니다. 이러한 한계를 극복하기 위해, 우리는 뇌의 해부학적 구조를 보존하는 생성 프레임워크를 제안하며, 이를 통해 조영제 미투여 상태의 뇌 분할 마스크, 특히 허혈성 경색을 포함한 다중 클래스 마스크를 생성합니다. 제안하는 방법은 분할 마스크만을 사용하여 학습된 변분 오토인코더(VAE)를 사용하여 해부학적 잠재 표현을 학습하고, 이 잠재 공간에서 작동하는 확산 모델을 사용하여 순수한 노이즈로부터 새로운 샘플을 생성하는 것을 결합합니다. 추론 단계에서, 합성된 마스크는 노이즈 제거된 잠재 벡터를 고정된 VAE 디코더를 통해 디코딩하여 얻어지며, 선택적으로 이진 프롬프트를 사용하여 병변의 존재 여부에 대한 대략적인 제어가 가능합니다. 정성적인 결과는 생성된 마스크가 전체적인 뇌 해부학적 구조, 뚜렷한 조직 의미, 그리고 현실적인 변동성을 유지하며, 픽셀 공간 생성 모델에서 흔히 관찰되는 구조적 결함을 피한다는 것을 보여줍니다. 전반적으로, 제안하는 프레임워크는 데이터가 부족한 의료 영상 환경에서 해부학적 구조를 고려한 마스크 생성을 위한 간단하고 확장 가능한 솔루션을 제공합니다.

The scarcity of high-quality segmentation masks remains a major bottleneck for medical image analysis, particularly in non-contrast CT (NCCT) neuroimaging, where manual annotation is costly and variable. To address this limitation, we propose an anatomy-preserving generative framework for the unconditional synthesis of multi-class brain segmentation masks, including ischemic infarcts. The proposed approach combines a variational autoencoder trained exclusively on segmentation masks to learn an anatomical latent representation, with a diffusion model operating in this latent space to generate new samples from pure noise. At inference, synthetic masks are obtained by decoding denoised latent vectors through the frozen VAE decoder, with optional coarse control over lesion presence via a binary prompt. Qualitative results show that the generated masks preserve global brain anatomy, discrete tissue semantics, and realistic variability, while avoiding the structural artifacts commonly observed in pixel-space generative models. Overall, the proposed framework offers a simple and scalable solution for anatomy-aware mask generation in data-scarce medical imaging scenarios.