评估生成的对抗性网络合成的周围图像在C形根通道的分类中的性能
Sujin Yang1, Kee-Deog Kim1, Eiichiro Ariji2
1Department of Advanced General Dentistry, College of Dentistry, Yonsei University, Seoul, Korea.
Scientific reports
|October 21, 2023
概括
生成对抗网络 (GAN) 创建现实的牙图像用于训练人工智能. 通过GAN合成的图像改善了C形根管分类,克服了牙科诊断中的数据限制.
科学领域:
- 人工智能在牙科中的应用
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 由于其复杂的形态,C形根通道存在诊断挑战.
- 有限的训练数据集阻碍了人工智能用于检测牙异常的发展.
- 生成对抗性网络 (GAN) 显示出实现现实的图像合成和数据增强的潜力.
研究的目的:
- 为了评估GAN合成的周周图像的性能,用于分类C形根通道.
- 评估GAN生成的牙图像的质量.
- 确定GAN数据增强对分类准确性的影响.
主要方法:
- 使用StyleGAN2-ADA来合成周围图像.
- 图像质量通过使用射线学家的Frechet Inception Distance (FID) 和视觉图灵测试来评估.
- 训练了一个神经网络分类器,使用和不使用GAN合成的数据.
主要成果:
- 合成的C型通道图像实现了平均FID为35.353.
- 放射科医生发现很难区分真实和合成图像.
- 与单独的真实数据相比,GAN数据增强提高了分类性能,特别是在不平衡的数据集中.
结论:
- 通过GAN合成的周围图像具有令人满意的视觉质量.
- GAN是一种有效的数据增强策略,用于改进基于AI的牙异常诊断.
- 这种方法解决了牙科AI开发中数据稀缺性和计算资源的局限性.
