近对补丁生成对抗网络用于数据增强的焦点病理物体检测模型
Ethan Tu1, Jonathan Burkow1, Andy Tsai2
1Michigan State University, Medical Imaging and Data Integration Lab, Department of Biomedical Engineering, East Lansing, Michigan, United States.
Journal of medical imaging (Bellingham, Wash.)
|June 6, 2024
概括
使用新的cycleGAN方法生成合成医疗图像可以改善对象检测,用于诊断儿科肋骨骨折等疾病. 这种方法解决了医疗培训数据有限的挑战,提高了诊断准确度.
科学领域:
- 医学成像医学成像
- 机器学习在诊断中的应用.
- 医疗保健中的人工智能
背景情况:
- 医疗培训数据有限,阻碍了用于诊断应用的机器学习.
- 物体探测器需要广泛的标记图像,这些图像的获取是昂贵和耗时的.
- 生成合成病理现象图像可以增强用于培训的数据集.
研究的目的:
- 开发一种方法来远程监控物体探测器,使用合成病理 - - 呈现标记图像.
- 为了减少与管理大量医疗培训数据相关的挑战.
- 提高对象探测器在医疗诊断任务中的性能.
主要方法:
- 利用循环生成对抗网络 (cycleGAN),在训练数据选择 (近对) 和现实度量集成 (Fréchet初始距离) 中进行了创新.
- 在儿科胸部X光学贴片上训练模型,生成合成骨折现象图像.
- 用合成图像增强了一个真实数据集,以训练一个物体探测器 (YOLOv5).
主要成果:
- 一项观察员研究表明,与没有骨折的图像相比,合成骨折存在的图像被评为更有可能是真实的骨折.
- 对象探测器 (YOLOv5) 训练在真实和合成数据的混合实现更高的回忆 (0.57) 和F2得分 (0.59) 比一个训练在真实数据单独 (回忆0.49,F2得分0.53).
结论:
- 提出的方法成功地产生了视觉现实的病理学.
- 合成数据显著提高了对象探测器在肋骨骨折检测方面的性能.
