2S-BUSGAN:一种基于小型数据集的新型生成对抗网络,用于实现现实的乳房超声波图像与相应的瘤轮,基于小型数据集
Jie Luo1, Heqing Zhang2, Yan Zhuang1
1College of Biomedical Engineering, Sichuan University, Chengdu 610065, China.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
这项研究介绍了2s-BUSGAN,这是一个创新的框架,用于生成现实的,注释的乳房超声波图像. 这种方法有效地解决了数据不平衡,并改善了癌症检测中的深度学习模型性能.
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:
- 对于乳房超声波 (BUS) 分析的深度学习 (DL) 模型在不平衡的数据集和稀缺的非典型瘤样本中扎.
- 现有的生成对抗网络 (GAN) 方法产生不切实际的BUS图像,缺乏结构完整性,需要手动注释.
研究的目的:
- 开发一个先进的GAN框架,2s-BUSGAN,用于生成高质量的注释BUS图像.
- 克服当前GAN在捕捉公共汽车结构特征方面的局限性,并使其在下游任务中直接使用.
主要方法:
- 采用两阶段框架 (面具生成阶段和图像生成阶段) 来生成具有瘤轮的良性和恶性BUS图像.
- 用特征匹配损失 (FML) 和差分增强模块 (DAM) 来提高小数据集的图像质量和GAN性能.
主要成果:
- 与传统的GAN方法相比,2s-BUSGAN框架产生了优质的BUS图像,经过超声专家的验证.
- 使用2s-BUSGAN数据进行训练的分类模型比使用传统增强技术的分类模型获得更高的准确性 (高达85.7%).
- 在对2s-BUSGAN增强数据集进行训练时,细分模型获得了更好的DICE分数 (高达75%).
结论:
- 2s-BUSGAN有效地解决了BUS图像分析中的数据不平衡和有限的样本大小挑战.
- 拟议的方法提高了DL模型用于BUS图像分类和细分的性能.
- 2s-BUSGAN提供了一个有前途的解决方案,通过现实的数据增强来改进人工智能驱动的乳腺癌诊断.
