通过利用类激活映射来生成胎儿大脑超声波图像,使用GANs

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 胎儿超声波检查 胎儿超声波检查

背景情况:

• 在超声波 (美国) 中精确识别胎儿头部标准平面 (FHSPs) 对于诊断胎儿大脑异常至关重要.
• 目前用于FHSP分类的深度学习模型缺乏足够的注释数据来进行可靠的临床应用.

研究的目的:

• 开发一种用于生成合成FHSP超声波图像的方法,以增加有限的注释数据集.
• 提高胎儿神经声学深度学习算法的可通用性和临床实用性.

主要方法:

• 使用条件生成对抗网络 (cGAN) 来合成FHSP图像.
• 从FHSP分类算法中使用的类激活地图 (CAM) 作为cGAN的条件先验.
• 为三个常见的FHSP生成合成图像:跨小脑,跨thalamic和跨心室.

主要成果:

• 成功生成了现实的合成FHSP图像.
• 通过t-SNE评估证明了合成数据的潜力,以减轻有限的注释FHSP图像的问题.
• 该方法在加强深度学习模型的培训以检测胎儿异常方面表现出前途.

结论:

• 提出的基于cGAN的方法有效生成合成FHSP图像.
• 这种方法为训练人工智能用于胎儿超声波分析的数据稀缺问题提供了可行的解决方案.
• 生成的合成数据可以支持在产前护理中开发更可靠的诊断工具.