CosSIF:基于等位数相似性的图像过,以克服合成医学图像数据集中类间差异较低的图像过
Mominul Islam1, Hasib Zunair2, Nabeel Mohammed1
1Department of Electrical and Computer Engineering, North South University, Bashundhara, Dhaka, Bangladesh.
Computers in biology and medicine
|March 16, 2024
概括
这项研究引入了基于Cosine相似性的图像过 (CosSIF),以改善医疗图像的深度学习,其类间差异较低. CosSIF增强了生成对抗网络 (GAN) 和模型,导致更准确和更普遍的预测.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 医疗成像的深度学习模型面临着数据集缺乏类间变化的挑战.
- 生成对抗网络 (GAN) 的性能受到培训数据的质量和变异的限制.
研究的目的:
- 提出一种新的过算法,即基于Cosine相似性的图像过 (CosSIF),以解决医疗图像数据集中类间差异较低的问题.
- 使用COSSIF开发和评估两种过方法,即GAN训练前过 (FBGT) 和GAN训练后过 (FAGT),使用COSSIF.
主要方法:
- 开发了用于图像过的CosSIF算法.
- 实施的FBGT:在GAN培训之前删除类似的真实图像.
- 实施的FAGT:在GAN培训后删除不那么有歧视性的合成图像.
主要成果:
- 无论是FAGT还是FBGT,都有效地减少了临床数据集中类间差异较低的差异.
- 用过数据训练的GAN产生了具有增强区分特征的合成图像.
- 在CosSIF过数据集上训练的模型显示,多数阶级偏见减少,少数阶级预测得到改善.
结论:
- 基于CosSIF的过方法 (FBGT和FAGT) 显著改善了GAN生成的合成医疗图像.
- 这些方法提高了深度学习模型的概括能力和预测准确性,特别是对于代表性不足的阶级.
