对增强和预处理进行调查,以优化有限数据集中的X射线分类:关于死性肠球炎的案例研究
Franciszek Nowak1, Ka-Wai Yung2, Jayaram Sivaraj3
1Wellcome/EPSRC Centre for Interventional and Surgical Sciences, Department of Medical Physics and Biomedical Engineering, UCL, London, UK. franciszek.nowak.23@ucl.ac.uk.
概括
图像预处理和增强显著改善了深度学习模型,用于诊断早产婴儿的缩性肠球炎 (NEC),使用有限的腹部X射线数据.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 新生儿医学 新生儿医学
背景情况:
- 医疗图像分析的深度学习需要大量的数据集,这些数据很难获得罕见疾病,如死角性肠球炎 (NEC).
- 死性肠球炎 (NEC) 是早产新生儿的一种危急疾病,具有具有挑战性的放射性诊断.
- 数据增强和预处理是克服医疗人工智能开发数据短缺的重要策略.
研究的目的:
- 调查各种图像增强和预处理技术对NEC计算机辅助诊断 (CAD) 模型性能的影响.
- 建议优化预处理管道 (Pr-1和Pr-2),以提高在腹部X射线 (AXR) 中微妙的NEC发现的检测.
- 使用有限的数据集,开发可靠的CAD模型来完成具有挑战性的三类NEC分类任务.
主要方法:
- 利用了来自364名NEC患者的1090个AXR数据集.
- 评估了使用ResNet-50骨干的几何增强 (翻译,翻转,封闭) 和颜色增强 (等效).
- 引入了两个新的预处理管道 (Pr-1,Pr-2),专注于色彩对比度和边缘增强.
主要成果:
- 几何增强,特别是翻译 (+6.2%),改善了模型性能;翻转和阻塞显示出负面影响.
- 颜色增强提供了适度的改进; 均衡带来了轻微的收益.
- 拟议的Pr-1和Pr-2管道将模型准确性分别提高了2.4%和1.7%.
- 通过将优化管道与几何增强相结合,实现了7.1%的最大性能增长,以获得强大的NEC分类.
结论:
- 图像预处理证明了AXR分类任务具有有限数据的显著,以前未报告的潜力.
- 开发的技术和发现为自动化NEC检测和AXR分类提供了一个基准.
- 这些方法可扩展到其他医疗成像任务,这些任务需要可靠的分类器模型和稀缺的数据集.
