用图像扰乱进行放射学分析的新型数据增强方法
F Lo Iacono1, R Maragna2, G Pontone2,3
1Department of Electronics, Information and Bioengineering, Politecnico Di Milano, Milan, Italy. francesca.loiacono@polimi.it.
Journal of imaging informatics in medicine
|May 6, 2024
概括
这项研究引入了一种新的放射学技术,使用感兴趣区域 (ROI) 扰动来进行数据平衡和心脏成像增强. 该方法有效地提高了对心脏粉样化症与其他疾病的分类准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学和定量成像技术
- 机器学习在医疗保健中的应用
背景情况:
- 放射学分析经常面临不平衡或小数据集的挑战.
- 目前的方法,如过量采样,直接应用于提取的特征,可能会限制它们的有效性.
- 心脏成像分析需要强大的方法来区分类似的疾病,如心脏粉症,大动脉狭窄症和多变性心肌病.
研究的目的:
- 提出和评估一种新的数据平衡和增强技术,用于使用兴趣区域 (ROI) 干扰的放射学.
- 将这种基于扰动的方法应用于心脏计算机断层扫描图像,以改进心脏疾病的分类.
- 评估ROI扰动在解决临床应用放射学数据局限性的有效性.
主要方法:
- 开发了一种涉及扰动 (侵蚀,扩张,轮随机化) 的新技术,应用于心脏CT图像中的ROI.
- 从原始和扰乱的ROI中提取了放射性特征,以创建增强的数据集.
- 基于扰乱的方法与随机过量采样,ADASYN和SMOTE进行了比较,用于使用支持向量机在分类任务中平衡和增强数据集.
主要成果:
- 基于扰乱的方法在将心脏粉症与大动脉狭窄症 (f1分数:80%,AUC:0.91) 和多变性心肌病 (f1分数:86%,AUC:0.92) 分类方面表现优异.
- 使用包括LASSO和PCA在内的特征选择方法来分析稳定性,冗余性和相关性.
- 该技术有效地解决了数据平衡和增强挑战,从而改善了分类指标.
结论:
- 兴趣区域 (ROI) 扰动为放射学中的数据平衡和增强提供了强大而有效的策略.
- 这种新的方法提高了医疗图像的定量表征,特别是在具有挑战性的心脏病分类中.
- 这些发现表明,ROI扰动技术在提高基于放射学的诊断工具的可靠性和准确性方面具有重大潜力.
