Síntesis de datos basada en la coincidencia de flujos para una localización robusta de puntos de referencia...

Área de la Ciencia:

• Imágenes médicas
• Aprendizaje profundo
• Visión por computadora

Sus antecedentes:

• La localización de puntos de referencia anatómicos (ALL) es vital para aplicaciones de imágenes médicas como la planificación de la terapia y la cirugía.
• Los modelos de aprendizaje profundo para ALL a menudo luchan con conjuntos de datos pequeños, lo que lleva a un exceso de ajuste y una mala generalización.
• La falta de grandes conjuntos de datos médicos anotados dificulta el desarrollo de modelos robustos de ALL.

Objetivo del estudio:

• Proponer un nuevo enfoque generativo utilizando Flow Matching para sintetizar imágenes médicas diversas y anotadas para el aumento de datos de ALL.
• Abordar los desafíos de los datos limitados y el exceso de ajuste en ALL basado en el aprendizaje profundo.
• Mejorar la robustez y las capacidades de generalización de todos los modelos.

Principales métodos:

• Un enfoque generativo multicanal que utiliza Flow Matching para sintetizar imágenes médicas emparejadas con mapas de calor multicanal que codifican configuraciones de puntos de referencia.
• Evaluación automática de la calidad del par imagen-mapa de calor utilizando un modelo de forma estadística para la plausibilidad de la referencia y la distancia de inicio de Fréchet para la calidad de la imagen.
• Integración de los datos sintéticos generados por Flow Matching en el proceso de formación de una red ALL.

Principales resultados:

• Los pares de imágenes y mapas de calor sintetizados por Flow Matching demostraron una calidad y diversidad superiores en comparación con las redes adversarias generativas y los modelos de difusión.
• Todas las redes entrenadas con datos de Flow Matching mostraron una mejor robustez, particularmente con datos de entrenamiento limitados y oclusiones.
• Los datos sintéticos generados a través de Flow Matching aumentaron efectivamente los conjuntos de datos de entrenamiento para TODAS las tareas.

Conclusiones:

• Flow Matching ofrece un método poderoso para generar imágenes médicas anotadas de alta calidad y diversas para el aumento de datos de ALL.
• El enfoque propuesto mejora significativamente la robustez y la generalización de los modelos de aprendizaje profundo para ALL, superando los métodos generativos existentes.
• Esta técnica es prometedora para avanzar en el análisis e intervenciones de imágenes médicas al superar los desafíos de la escasez de datos.