特定于患者的胎盘血管细分,数据有限
Gary Sarwin1, Jonas Lussi2, Simone Gervasoni2
1Computer Vision Lab, ETH Zurich, 8092, Zurich, Switzerland. gary.sarwin@vision.ee.ethz.ch.
Journal of robotic surgery
|June 4, 2024
概括
针对患者的深度学习模型克服了医学成像中的数据差异. 生成性对抗性网络创建人工数据,显著提高船舶细分精度,使用有限的现实世界样本.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 机器学习模型与医疗数据扎,原因是来自不一致的获取和患者变化的分布转移.
- 这种数据差异阻碍了受过训练的模型的临床转化,限制了它们在医疗保健中的实际应用.
研究的目的:
- 提出和评估一种针对患者的深度学习方法,用于使用生成对抗网络 (GAN) 进行医学图像细分.
- 通过用GAN生成的合成样本来补充真实数据来解决临床环境中有限的注释数据的挑战.
主要方法:
- 使用有限的注释数据开发了针对患者特定细分网络的培训管道.
- 使用生成对抗网络 (GAN) 来生成人工样本以增加培训数据集.
- 展示了用于双胞胎对双胞胎输血综合征的胎儿透视激光凝血的内镜视频数据的方法.
主要成果:
- 通过使用拟议的管道,仅使用20张注释图像,实现了0.60的交叉与联合 (IoU) 得分.
- 标准的深度学习方法需要100张图像才能达到可比性能水平.
- 没有GAN管道的20个注释图像的训练产生了0.30的IOU,突出显示了拟议方法的100%的性能增长.
结论:
- 生成对抗性网络 (GAN) 可以有效地生成合成数据,以显著提高患者特定模型在血管细分中的性能.
- 拟议的患者特定培训管道为增强自动化血管细分和促进临床实施提供了可行的解决方案.
