通过潜空间操纵进行本地风格转移,用于跨疾病的损伤细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 对于自动损伤细分的深度学习需要大量的数据集,这些数据集在临床环境中通常是不可用的.
• 利用外部数据集是克服医疗图像分析数据短缺的可行策略.
• 现有的方法难以跨疾病的病变细分,特别是在低数据的制度.

研究的目的:

• 引入 LatenTrans,这是一个用于在极低数据条件下提高损伤细分性能的新框架.
• 从外部数据集进行有效的知识转移,以提高细分精度.
• 为应对利用各种数据集用于培训细分模型的挑战.

主要方法:

• 将图像投射到潜在空间中,使用对齐的基于风格的生成模型来编码损伤语义.
• 采用一致性意识的潜在代码操纵模块,用于从非目标到目标样病变的本地风格转移.
• 提出一种新的指标,即规范化潜伏距离,用于选择最佳的外部数据集以进行知识传输.

主要成果:

• LatenTrans成功地将非目标病变转化为类似目标的表示,扩大了训练数据集.
• 与现有方法相比,该框架在跨疾病病变细分方面表现优越.
• 对肺部和大脑损伤细分的实验验验证了LatenTrans在低数据方案中的有效性.

结论:

• 在训练数据有限的情况下,LatenTrans提供了一种强大的解决方案,可以提高病变细分的准确性.
• 拟议的方法有助于在不同损伤类型和数据集之间进行有效的知识转移.
• 这一框架具有显著的潜力,可以在临床实践中加强诊断援助.