通过潜在扩散模型改善非酒精性脂肪肝疾病分类性能

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 机器学习用于诊断.

背景情况:

• 深度学习为改善医疗诊断提供了潜力,但需要大量的注释数据.
• 有注释的医疗图像的稀缺性阻碍了机器学习模型在医疗保健中的应用.
• 非酒精性脂肪肝 (NAFLD) 诊断可以从先进的计算方法中受益.

研究的目的:

• 调查使用扩散模型产生的合成图像来增强NAFLD分类的真实医疗图像的有效性.
• 通过扩散模型产生的合成图像的质量与生成对抗网络 (GAN) 的质量进行比较.
• 在低数据场景中使用合成数据增强来评估NAFLD预测的性能提升.

主要方法:

• 使用扩散模型生成合成医疗图像,并将其与GAN生成的图像进行比较.
• 使用初始分数 (IS) 和Fréchet初始距离 (FID) 评估合成图像质量.
• 使用部分结的卷积神经网络 (CNN) 骨干 (EfficientNet v1) 进行NAFLD分类,使用合成数据增强.

主要成果:

• 与GAN相比,扩散生成的图像显示出更高的质量,达到更高的最大IS (1.90对1.67) 和较低的最小FID (69.45对100.05) 与GAN相比.
• 合成增强方法与CNN相结合,实现了0.904的最大ROC AUC,用于图像级NAFLD预测.
• 即使在低数据模式设置中也观察到性能提升,突出显示了该方法的有效性.

结论:

• 扩散模型在生成适合数据增强的高质量合成医疗图像方面是有效的.
• 使用扩散模型的合成图像增强显著提高了NAFLD分类性能,特别是在数据稀缺的环境中.
• 这项研究提供了一个可行的策略,以克服医疗AI的数据限制,提高诊断能力.