dm-GAN:分布式多隐藏代码反转增强的GAN,用于快速准确的乳房X射线图像自动生成
Jiajia Jiao1, Xiao Xiao1, Zhiyu Li2
1College of Information Engineering, Shanghai Maritime University, Shanghai 201306, China.
Mathematical biosciences and engineering : MBE
|December 5, 2023
概括
这项研究引入了一种新的AI方法,即分布式多潜伏代码反转增强的生成对抗网络 (dm-GAN),以有效地生成高质量的乳腺癌查图像. dm-GAN显著提高了图像生成速度和准确性,有助于更快的诊断.
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:
- 乳腺癌对健康构成重大风险,需要有效的诊断工具,如乳房影像.
- 人工智能算法通过识别乳腺质量来增强乳房扫描,但需要广泛的训练数据.
- 手动收集和标记乳房图像用于人工智能培训是耗时和低效的.
研究的目的:
- 为人工智能培训开发一种快速,准确和自动化的方法来生成合成乳房图像.
- 解决数据稀缺问题,培训人工智能模型进行乳腺癌诊断.
主要方法:
- 提出了一个分布式的多潜伏代码反转增强生成对抗网络 (dm-GAN).
- 使用GAN的生成器和区分器进行自动图像合成.
- 在发电机中实现了多潜伏代码反向映射,以简化安装和提高准确性.
- 采用多歧视者结构来改善歧视表现.
主要成果:
- 实现了高精度乳房图像的自动生成.
- 与最先进的方法相比,证明了1.84dB更高的峰值信号噪声比率 (PSNR).
- 报告了Fréchet初始距离 (FID) 降低了5.61%,表明图像质量优越.
- 产生的图像比现有的方法快1.38倍.
结论:
- 拟议的dm-GAN有效地生成合成乳房图像,以提高准确性和速度.
- 这种方法为克服人工智能驱动的乳腺癌查数据限制提供了一个有希望的解决方案.
- dm-GAN有助于更有效地开发和部署用于乳房图分析的AI工具.
更多相关视频
13:44Detection of Architectural Distortion in Prior Mammograms via Analysis of Oriented Patterns
Published on: August 30, 2013
42.9K
09:21Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
Published on: February 18, 2015
12.2K
