GENERATIVE AI FOR MEDICAL IMAGE ANALYSIS

Abstract

Medical imaging is fundamental in diagnosing and managing various pathologies. Due to their complex and highly variable nature , medical data have provided an excellent ground for automation through artificial intelligence (AI) and, in particular, deep learning, to carry out important tasks such as classification, segmentation, and anomaly detection. Among the most recent advances, generative AI is gaining momentum, especially with respect to its potential in creating new realistic synthetic medical data, an invaluable asset in situations involving limited or sensitive clearances. Given the difficulty of the challenges facing medical imaging ,We have designed a model architecture using the Denoising Diffusion Probabilistic Model (DDPM) utilizing a modified U-Net Architecture , including time embeddings, residual blocks, Group Normalization, and skip connections to enhance training stability and the quality of synthesized images. After an appropriate preprocessing and resizing phase, our method was applied to several public medical databases such as PathMNIST, Histopathologic Cancer Detection, and OCT . Evaluation was performed via common metrics such as FID Score, mean squared error (MSE) loss function , and detailed visual analysis. The obtained results are: 0.0086 , 0.0366 , 0.0084 for the loss function and 0.10 , 0.75 , 3.67 for the FID score for both pathmnist , histopathologic cancer detection and OCT datasets respectively. show that DDPMs can generate coherent and realistic images, thereby opening new horizons for several applications: data fabrication and augmentation, training of medical practitioners, and even simulation in medicine. Ultimately, the current work shows that generative models can and will disrupt medical image analysis. --------------------------------------------------------------------------- يُعد التصوير الطبي أساسيًا في تشخيص وإدارة مختلف الأمراض. ونظرًا لطبيعتها المعقدة والمتغيرة للغاية، فقد وفرت البيانات الطبية أرضيةً ممتازةً للأتمتة من خلال الذكاء الاصطناعي، وخاصةً التعلم العميق، لتنفيذ مهام مهمة مثل التصنيف والتجزئة واكتشاف الشذوذ. ومن بين أحدث التطورات، يكتسب الذكاء الاصطناعي التوليدي زخمًا متزايدًا، لا سيما فيما يتعلق بإمكانيته في إنشاء بيانات طبية تركيبية واقعية جديدة، وهي ميزة لا تُقدر بثمن في الحالات التي تنطوي على موافقات محدودة أو حساسة. نظرًا لصعوبة التحديات التي تواجه التصوير الطبي، فقد صممنا بنية نموذجية باستخدام نموذج احتمالي لانتشار الضوضاء (DDPM) باستخدام بنية U-Net معدلة، تتضمن تضمينات زمنية، وكتل متبقية، وتطبيع المجموعة، واتصالات التخطي لتعزيز استقرار التدريب وجودة الصور المُركّبة. بعد مرحلة المعالجة المسبقة المناسبة وتغيير الحجم، طُبقت طريقتنا على العديد من قواعد البيانات الطبية العامة، مثل PathMNIST، وكشف السرطان النسيجي، وOCT. أُجري التقييم باستخدام مقاييس شائعة مثل درجة FID، ودالة فقدان متوسط مربع الخطأ (MSE)، والتحليل البصري المفصل. وكانت النتائج التي تم الحصول عليها: 0.0086، 0.0366، 0.0084 لدالة الخسارة، و0.10، 0.75، 3.67 لدرجة FID لكل من قواعد بيانات Pathmnist، وكشف السرطان النسيجي، وOCT على التوالي. تُظهر هذه النتائج أن نماذج DDPMs قادرة على توليد صور متماسكة وواقعية، مما يفتح آفاقًا جديدة لتطبيقات عديدة: تصنيع البيانات وزيادتها، وتدريب الممارسين الطبيين، وحتى المحاكاة في مجال الطب. في النهاية، يُظهر العمل الحالي أن النماذج التوليدية قادرة على إحداث تغيير جذري في تحليل الصور الطبية، وستُحدث ذلك بالتأكيد --------------------------------------------------------------------------- L'imagerie médicale est fondamentale pour le diagnostic et la prise en charge de diverses pathologies. De par leur nature complexe et très variable, les données médicales constituent un excellent terrain d'automatisation grâce à l'intelligence artificielle (IA), et plus particulièrement à l'apprentissage profond, pour réaliser des tâches importantes telles que la classification, la segmentation et la détection d'anomalies. Parmi les avancées les plus récentes, l'IA générative gagne du terrain, notamment grâce à son potentiel de création de nouvelles données médicales synthétiques réalistes, un atout précieux dans les situations impliquant des autorisations limitées ou sensibles.

Compte tenu de la complexité des défis posés par l'imagerie médicale, nous avons conçu une architecture de modèle utilisant le modèle probabiliste de diffusion et de débruitage (DDPM) et une architecture U-Net modifiée, incluant des plongements temporels, des blocs résiduels, une normalisation de groupe et des connexions de saut afin d'améliorer la stabilité de l'apprentissage et la qualité des images synthétisées. Après une phase de prétraitement et de redimensionnement appropriée, notre méthode a été appliquée à plusieurs bases de données médicales publiques, telles que PathMNIST, Histopathologic Cancer Detection et OCT. L'évaluation a été réalisée à l'aide de mesures courantes telles que le score FID, l'erreur quadratique moyenne (MSE), la fonction de perte et une analyse visuelle détaillée.

Les résultats obtenus sont : 0,0086, 0,0366, 0,0084 pour la fonction de perte et 0,10, 0,75, 3,67 pour le score FID, respectivement pour les données pathmnist, de détection histopathologique du cancer et d'OCT. Ils montrent que les DDPM peuvent générer des images cohérentes et réalistes, ouvrant ainsi de nouveaux horizons pour plusieurs applications : la fabrication et l'augmentation des données, la formation des praticiens médicaux et même la simulation en médecine. Enfin, les travaux actuels démontrent que les modèles génératifs peuvent et vont révolutionner l'analyse d'images médicales.