超音波画像における損傷セグメンテーションの強化:標的型データ増強戦略の影響
Xu Wang1, Patrice Monkam1,2, Bonan Zhao1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, Liaoning, China.
International journal of biomedical imaging
|August 20, 2025
まとめ
この研究では,特に注釈されたデータが少ない場合,超音波画像の自動化された病変のセグメンテーションを改善するための5つのデータ増強戦略を紹介しています. これらの方法は ディープラーニングモデルを使用して 乳房や甲状腺の病変の診断の精度を大幅に高めます
科学分野:
- 医療用画像検査
- 医療における人工知能
- コンピュータによる診断
背景:
- ディープラーニング (DL) を使用した超音波 (US) 画像における自動化された病変のセグメンテーションは,疾患の診断に不可欠です.
- 限られた注釈付きのデータセットは,特にリソースの制限のある環境では,DLモデルの実用的な適用を妨げます.
- 生成対抗ネットワーク (GAN) はデータ不足の解決策を提供しますが,複雑なトレーニングと高いコンピューティングコストを伴う.
研究 の 目的:
- 限られた注釈されたサンプルの問題に取り組むため,米国画像の自動化された病変の描写のための新しい解決策を探求する.
- 米国の病変のセグメント化のための5つの異なる混合サンプル増強戦略を提案し,評価する.
- 乳腺,甲状腺など様々な病変型と深層分断モデルにおけるこれらの戦略の有効性を評価する.
主な方法:
- 5つの混合サンプルデータ増強戦略の開発と実施
- 4つの深いセグメンテーションモデルを使用してこれらの戦略の評価.
- 乳腺と甲状腺の病変の描写のための性能評価は,ダイスとジャカード指数を使用します.
主要な成果:
- 乳腺の損傷では最大37. 95%と36. 32%,甲状腺の損傷では最大14. 59%と13. 01%増加した.
- 増殖戦略の有効性は,病変の種類とモデル構造によって異なっていた.
- データ増強アプローチの戦略的選択は,DLモデルのパフォーマンスを向上させる上で重要であることが示されました.
結論:
- 提案された混合サンプル増強戦略は,自動化された米国病変のセグメント化におけるデータ不足に対する信頼できる解決策を提供します.
- 医療イメージングのDLモデルでのパフォーマンスの向上を最大化するために,データ増強技術の慎重な選択が不可欠です.
- これらの発見は,医療における自動診断ツールを改善するための貴重な洞察を提供します.
