La generación de imágenes médicas basadas en modelos de difusión como una estrategia potencial de aumento de datos...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Visión por computadora

Sus antecedentes:

• Las aplicaciones médicas de inteligencia artificial (IA) requieren conjuntos de datos grandes y diversos para una capacitación sólida.
• El acceso a los datos clínicos del mundo real puede estar limitado por preocupaciones de privacidad y costo.
• Las estrategias de aumento de datos son cruciales para mejorar el rendimiento del modelo de IA con conjuntos de datos limitados.

Objetivo del estudio:

• Explorar un método generativo de síntesis de imágenes utilizando modelos de difusión para el aumento de datos médicos.
• Evaluar la eficiencia y la rentabilidad de los modelos de difusión en entornos informáticos de bajos recursos.
• Identificar los parámetros óptimos de entrenamiento para la generación de imágenes médicas sintéticas de alta fidelidad.

Principales métodos:

• Utilizó el conjunto de datos MedMNIST v2 para el entrenamiento en condiciones de computación de bajo rendimiento.
• Desarrolló un modelo de difusión anotado para sintetizar nuevas imágenes médicas basadas en las características de los datos existentes.
• Evaluaciones cuantitativas realizadas utilizando el descenso del gradiente de la función de pérdida y la distancia de inicio de Fréchet (FID) con diferentes funciones de pérdida y dimensiones del vector de características.

Principales resultados:

• El modelo de difusión generó con éxito imágenes médicas con estilos similares pero detalles anatómicos variados en comparación con los datos originales.
• La función de pérdida L2 con una dimensión de vector de característica de 64 produjo la mejor puntuación de FID de 0,85.
• La función de pérdida de Huber demostró una mayor robustez del modelo, aunque con un FID más alto de 15,2 en una dimensión de vector de características de 2048.

Conclusiones:

• La síntesis de imágenes médicas basada en modelos de difusión es una estrategia de aumento viable para la IA, especialmente cuando los datos reales son escasos.
• Los parámetros de entrenamiento óptimos, incluida la elección de la función de pérdida y la dimensionalidad del vector de características, afectan significativamente la calidad de la imagen sintética.
• Las investigaciones adicionales deben centrarse en la aplicación de estos modelos a conjuntos de datos médicos y escenarios clínicos más complejos.