使用半监督的CycleGAN进行域转换,以提高分类甲状腺组织图像的性能
Yoshihito Ichiuji1, Shingo Mabu2, Satomi Hatta3,4
1Graduate School of Sciences and Technology for Innovation, Yamaguchi University, 2-16-1, Tokiwadai, Ube, Yamaguchi, 755-8611, Japan.
International journal of computer assisted radiology and surgery
|January 18, 2024
概括
这项研究引入了一种使用半监督CycleGAN的新型域转换方法,以从医学图像中改善甲状腺癌分类. 这种方法成功地统一了各机构的特征分布,提高了诊断准确性,特别是在不平衡的数据集中.
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:
- 对于医学图像分类的深度学习,特别是甲状腺组织图像,需要大量的数据.
- 数据稀缺性和各机构获取条件的差异阻碍了深度学习模型的直接应用.
- 从一个机构到另一个机构的数据上训练的模型的重复使用需要统一特征分布.
研究的目的:
- 开发一个域转换技术,以统一不同机构医疗图像中的特征分布.
- 通过使跨机构模型重用,提高甲状腺组织图像的分类性能.
- 解决医学图像分类中数据集不平衡所带来的挑战.
主要方法:
- 使用半监督的CycleGAN进行域转换,在T机构和S机构之间调整特征分布.
- 通过整合类特定的特征分布来改进域调整,增强了CycleGAN.
- 在半监督的CycleGAN框架内处理不平衡数据的综合方法.
主要成果:
- 在对机构S数据进行培训和对机构T数据进行测试时,域名转换显著改善了分类性能.
- 提出的方法成功地保留了跨域的类相关特征.
- 焦点损失在解决类不平衡方面表现为F1平均得分最有效的改善.
结论:
- 开发的域转换方法有效地弥合了来自不同机构的医学成像数据集之间的特征分布差距.
- 这种方法提高了甲状腺组织图像分类的准确性和稳定性.
- 解决类不平衡进一步优化域转换技术的性能.
