数据增强用于医疗图像分类基于高斯拉普拉斯金字塔混合与相似度衡量的数据增强

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 乳腺癌的诊断依赖于准确的图像分析.
• 计算机辅助算法显示出希望,但面临着数据稀缺和不平衡的挑战.
• 生成型人工智能 (GenAI) 提供了新的途径,但需要多样化和可靠的数据.

研究的目的:

• 开发一种增强方案,以解决乳腺癌诊断的医疗数据集中的标记数据稀缺和不平衡问题.
• 为了提高深度学习模型的性能,用于对基因病理图像进行分类.

主要方法:

• 整合高斯 - 拉普拉斯金字塔和金字塔混合与数据增强相似度的相似度.
• 基于相似度的混合以保持图像完整性和患者的可变性.
• 应用一种经过修改的深度学习方法,利用连接的预训练模型进行分类.

主要成果:

• 在三个医学数据集上,与基线模型相比,表现有显著的性能改善.
• 验证了拟议的数据增强战略的有效性.
• 展示了增强对改善诊断准确性的影响.

结论:

• 拟议的增强方案有效地解决了医疗数据集中的数据稀缺性和不平衡问题.
• 该方法有助于开发更准确,更可靠的计算机辅助乳腺癌诊断.
• 这项工作有可能推进人工智能驱动的医疗诊断工具.