增强数据的GAN反向来改善结肠镜损伤分类

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:

• 医学成像的深度学习模型,特别是结肠镜病变分类,面临着巨大的挑战,因为注释数据的稀缺性.
• 有效的数据增强对于克服数据限制和提高这些模型的稳定性至关重要.

研究的目的:

• 调查合成结肠镜图像的有效性,通过生成对抗网络 (GAN) 倒置生成,作为数据增强策略,以改进基于深度学习的多重体分类.
• 探索GAN倒置来创建多样化的合成数据,包括模式翻译和损伤插值,以增强训练数据集.

主要方法:

• 利用GAN倒置将图像对映射到一个解散的隐性空间,使合成图像生成的操纵能够在保留标签的同时进行操纵.
• 使用GAN反转,在白光和窄带成像 (NBI) 之间执行图像模式转换 (风格转移).
• 通过插入原始训练图像的潜伏表示来生成现实的合成损伤图像,以增加形状变化.

主要成果:

• 与其他方法相比,基于GAN反转的数据增强提高了F1得分的2.7%和灵敏度的4.9%的多分类性能.
• 对域外数据的测试显示F1分数有2.9%的改善,敏感度有2.7%,显示出强大的域泛化性.
• 拟议的方法优于现有的结肠镜数据增强技术,而不需要对多个生成模型进行重新训练.

结论:

• 生成对抗网络反转是一种强大的技术,用于生成有效的合成数据,用于结肠镜病变分类,显著提高深度学习模型的性能.
• 这种方法通过利用各种数据增强策略来提高模型的稳定性和通用性,解决了有限的注释医学成像数据的关键问题.
• 该方法的效率和利用来自各种数据集的信息的能力使其成为推动医疗诊断中人工智能的宝贵工具.