从像素到癌症：计算机断层扫描中的细胞自动机

From Pixel to Cancer: Cellular Automata in Computed Tomography

摘要

背景： 用于癌症检测的 AI 遇到了数据稀缺、注释困难和早期肿瘤患病率低的瓶颈。肿瘤合成寻求在医学图像中创建人工肿瘤，这可以极大地多样化 AI 训练的数据和注释。然而，由于需要特定的专业知识和设计，目前的肿瘤合成方法不适用于不同的器官。
目的： 本文建立了一套模拟肿瘤发展的通用规则。
方法： 每个细胞（像素）最初被分配一个介于 0 和 10 之间的状态来代表肿瘤群，并且可以根据三个规则来开发肿瘤来描述生长、侵袭和死亡的过程。我们应用这三个通用规则来模拟肿瘤的发展——从像素到癌症——使用细胞自动机。然后，我们将肿瘤状态整合到原始计算机断层扫描 （CT） 图像中，以生成跨不同器官的合成肿瘤。这种肿瘤合成方法允许在多个阶段对肿瘤进行采样并分析肿瘤-器官相互作用。
结果： 使用来自全球 68 家医院的 9,262 张原始、未标记的 CT 图像分析和模拟不同阶段的肿瘤发展。在肝脏、胰腺和肾脏中分割肿瘤的性能超过了主流文献基准，强调了肿瘤合成的巨大潜力，尤其是在早期癌症检测方面。
代码地址

方法

首先根据 CT 值量化器官（例如肝脏），将每个像素分为四个级别：1 级（最软）到 4 级（最硬），血管/边界为 0 级。接下来，从器官组织的任意像素（水平 > 0）产生肿瘤。受元胞自动机的启发，设计了三个通用规则：（1） 生长，（2） 入侵，和 （3） 死亡。这些规则监督肿瘤的发展和与量化器官的相互作用，维护动态更新的肿瘤群体图谱。最后，我们将此映射转换回原始 CT 图像，根据原始值和肿瘤群修改 CT 值——肿瘤群越多，CT 值越小（视觉上更暗）。

实验结果

表 1.视觉图灵测试涉及三名专家，每位专家评估 150 张 CT 图像，每个器官 50 张。他们的任务是将每张 CT 图像分类为真实图像或合成图像。较低的特异性评分表示被鉴定为真实存在的合成肿瘤数量较高。我们还提供了正确和错误识别合成肿瘤的典型示例。红点表示人类专家认为这是一个合成肿瘤，而绿点表示他们认为这是一个真正的肿瘤