VariMix: Un marco de mezcla de datos guiado por variedades para clasificaciones de imágenes médicas explicables

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Las redes neuronales profundas requieren aumento de datos para evitar el exceso de ajuste y mejorar la generalización.
• Las redes adversarias generativas (GAN) sintetizan imágenes realistas, pero a menudo carecen de diversidad y tienen etiquetas ambiguas.
• Las estrategias actuales de mezcla de datos basadas en regiones sobresalientes pueden no capturar toda la información de diagnóstico, lo que lleva a errores de etiquetado.

Objetivo del estudio:

• Para abordar los desajustes de etiquetas en la clasificación de imágenes médicas causadas por técnicas de aumento de datos.
• Proponer un nuevo marco de mezcla de datos que mejore la precisión y la diversidad de las imágenes médicas sintéticas.

Principales métodos:

• Se introdujo VariMix, un marco de mezcla de datos guiado por variedades.
• Se empleó un mapa de diferencias absolutas (ADM) generado por una GAN de imagen a imagen (I2I) para resolver los desajustes de etiquetas.
• Permitir operaciones de mezcla bidireccionales entre muestras de entrenamiento para una síntesis de datos mejorada.

Principales resultados:

• VariMix logró altas precisiones: 99.30% (CXR) y 94.60% (Retinal) con SwinT V2.
• El clasificador ConvNeXt logró las máximas precisiones: 87,73% (US de mama), 99,28% (CXR), 95,13% (Retinal) y 95,81% (US materno- fetal).
• La evaluación de expertos médicos confirmó el potencial del I2I GAN para mejorar la precisión de la clasificación de imágenes médicas.

Conclusiones:

• VariMix supera a los métodos existentes basados en GAN y Mixup en cuatro conjuntos de datos públicos.
• El I2I GAN proporciona interpretabilidad para las clasificaciones de imágenes médicas mediante la generación de mapas de diferencias de hiperplano.
• El método propuesto ofrece un enfoque superior para el aumento de datos en el aprendizaje profundo médico.