跨领域的注意引导生成数据增强用于医疗图像分析,数据有限
Zhenghua Xu1, Jiaqi Tang1, Chang Qi2
1State Key Laboratory of Reliability and Intelligence of Electrical Equipment, School of Health Sciences and Biomedical Engineering, Hebei University of Technology, Tianjin, China.
Computers in biology and medicine
|November 25, 2023
概括
这项研究介绍了CDA-GAN,这是用于医学图像分析的注意引导生成模型. 通过生成多样化的瘤图像,CDA-GAN增强了有限的数据集,提高了脑瘤任务中的分类和细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医学成像中的传统数据增强因数据和注释不足而受到限制.
- 现有的生成对抗网络 (GAN) 在跨域信息和对细分的监督指导方面扎.
- 这些局限性阻碍了医疗图像分析中的诊断和细分性能.
研究的目的:
- 开发一种以注意力为导向的跨领域瘤图像生成模型 (CDA-GAN),用于增强医疗图像数据增强.
- 解决现有的生成方法在利用跨领域信息和为细分提供监督信号方面的局限性.
- 使用有限的数据集,提高医疗图像分类和细分任务的性能.
主要方法:
- 拟议的CDA-GAN将道关注纳入CycleGAN框架,用于跨域瘤图像生成.
- 实施了一种半监督的空间注意力策略,以引导像素级特征信息用于瘤生成.
- 综合光谱正常化以稳定训练并防止歧视模式崩.
主要成果:
- CDA-GAN生成了多样化的样本,扩大了数据集规模,改善了医疗图像诊断和细分.
- 在BraTS和TCIA数据集上超越了最先进的生成数据增强,用于分类和细分.
- 在精度,AUC,回忆,F1,子,灵敏度,HD95和mIOU方面取得了显著的改进.
结论:
- 通过跨域生成和注意力机制,CDA-GAN有效地增强了医疗图像数据集.
- 拟议的模型显著提高了诊断和细分的准确性,特别是在数据有限的场景.
- CDA-GAN为改善医学图像分析任务提供了有价值的解决方案,包括脑瘤分类和细分.
