一种基于图像绘制的数据增强方法,用于通过细分模型 EfficientNetB3-Unet 改进硬化淋巴细胞识别性能
Songping He1, Yi Zou2, Bin Li1
1Digital Manufacturing Equipment National Engineering Research Center, Huazhong University of Science and Technology, Wuhan, China.
Scientific reports
|January 10, 2024
概括
深度学习模型现在可以更准确地量化移植中的淋巴细胞硬化. 通过生成合成硬化球体图像,研究人员提高了细分性能,可能降低了捐赠脏丢弃率.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 全球淋巴结核硬化百分比对于移植结果至关重要.
- 目前病理学家的手动量化是劳动密集型的,缺乏标准化.
- 深度学习 (DL) 提供了自动化和标准化的淋巴结核硬化症评估的潜力.
研究的目的:
- 通过DL改进了使用DL的硬化淋巴细胞的识别和细分.
- 为了提高全球淋巴结核硬化百分比的量化,以减少捐赠脏的丢弃.
- 为了应对DL模型中数据不平衡的挑战 (硬化质比正常质更少).
主要方法:
- 利用来自不同机构的51个公开可用的全幻灯片图像 (WSI).
- 修改并训练基于生成对抗网络 (GAN) 的图像绘制模型以合成硬化质细胞.
- 集成合成硬化质细胞图像与真实数据来训练修改后的U-Net模型进行细分.
主要成果:
- 拟议的涂漆方法实现了0.8086的平均结构相似性 (SSIM) 和22.8943dB的峰值信号噪声比 (PSNR) 产生硬化质细胞.
- 整合合成图像导致改善了多发性硬化丸细分性能.
- 经过修改的U-Net模型在测试集中实现了球细分的最佳子分数.
结论:
- DL,加上基于GAN的合成数据生成,可以有效地改善硬化淋巴细胞细分.
- 这种方法提高了百分比全球淋巴结核硬化量化的准确性.
- 这种方法显示出降低移植中捐赠的丢弃率的前景.
