多重面具和边界得分R-CNN与cGAN数据增强用于WLC视频中的膀瘤细分
Nuno R Freitas1, Pedro M Vieira1, Catarina Tinoco2
1CMEMS-UMinho, University of Minho, 4800-058 Guimaraes, Portugal; LABBELS - Associate Laboratory, Guimaraes, Portugal.
Artificial intelligence in medicine
|January 6, 2024
概括
这项研究通过改善图像数据和细分精度来提高膀瘤诊断. 先进的深度学习技术显著提高了诊断性能,有助于减少癌症复发.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 精确的病变定位,分类和划分对于膀瘤的穿尿道切除 (TURBT) 至关重要,以尽量减少癌症复发.
- 医疗应用中的深度学习模型面临的挑战是有限的数据集和糟糕的图像表征,包括不充分的颜色/纹理建模.
研究的目的:
- 为了提高TURBT中病变的精确定位,分类和划分.
- 为了解决数据的局限性,并加强在医学诊断深度学习模型的图像特征.
主要方法:
- 开发了一种结构受约束的pix2pixHD cGAN用于数据增强,优化图像质量和使用Fréchet Inception Distance (FID) 的随机性.
- 引入了多重面罩和边界评分R-CNN (MM&BS R-CNN) 与一个新的面罩子网方案和边界精细化评分模块.
- 实施了一种加速训练策略,使用SGD优化器实现了第二阶段的动量.
主要成果:
- 数据增强方案提高了超过12%的性能.
- MM&BS R-CNN架构将细分精度提高了大约1.25%.
- 加速训练策略使平均精度 (mAP) 提高了2-3%.
结论:
- 综合方法显著改善了最先进的mAP,提高了17.44%.
- 这些进步为在临床实践中处理多种病理的自动诊断系统提供了强大的解决方案.
- 该研究强调了增强数据增强,新型架构和优化培训的潜力,以改善癌症诊断和减少复发.
