机器学习用于合成超声波生成的方法和局限性:一个范围审查
Mauro Mendez1,2, Shruthi Sundararaman2, Linda Probyn2
1Institute of Medical Science, University of Toronto, Toronto, Ontario, Canada.
概括
机器学习 (ML) 模型可以为放射学培训和数据增强生成合成超声波图像. 然而,在数据集大小,注释和临床整合方面仍然存在挑战.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 机器学习应用 机器学习应用
背景情况:
- 合成数据生成对于增强有限的医学成像数据集至关重要.
- 机器学习 (ML) 模型为创建合成超声波图像提供了新的方法.
- 放射学培训和研究受益于先进的成像模拟技术.
研究的目的:
- 审查和分类使用ML合成超声波生成的方法.
- 确定合成超声波的当前应用和评估指标.
- 突出生成式超声波模型的局限性和未来研究方向.
主要方法:
- 对合成超声波生成的19项研究进行了范围审查.
- 对ML方法的分析:无条件,条件和域翻译.
- 评估技术的检查:专家评估和弗雷切开始距离.
主要成果:
- 确定了三个主要的ML策略:无条件,条件和域翻译.
- 主要用途包括培训数据集增强和放射科医生教育.
- 常见的评估方法包括专家审查和定量指标,如FID.
结论:
- 生成式超声波模型显示了放射学领域的巨大潜力.
- 局限性包括大数据需求,注释需求和整合挑战.
- 进一步的研究是必要的,以确保合成超声波的稳健的临床实施.
