评估合成神经成像数据增强,以使用深度全卷积网络自动对脑瘤进行细分.
Fawad Asadi1, Thanate Angsuwatanakul1, Jamie A O'Reilly2
1College of Biomedical Engineering, Rangsit University, Pathum Thani 12000, Thailand.
IBRO neuroscience reports
|July 15, 2024
概括
使用StyleGAN2-ada的合成数据生成为自动化质瘤细分提供了最小的改进,这表明计算成本可能超过好处. 几何增强证明更有效地改善神经成像中的模型概括.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经瘤学神经瘤学
背景情况:
- 医学图像中的自动化质瘤细分对于治疗规划至关重要.
- 深度学习模型需要广泛的,高质量的培训数据.
- 现有的数据集可能不足以进行可靠的模型培训.
研究的目的:
- 开发和评估用于增强数据的神经成像合成技术.
- 用合成数据训练完全卷积网络 (U-nets) 来自动对质瘤进行细分.
- 评估合成数据增强对细分性能和计算成本的影响.
主要方法:
- 使用StyleGAN2-ada生成合成FLAIRMRI图像和相应的质瘤细分面具.
- 合成数据被添加到一个真实数据集 (n=2751) 用于U-net培训.
- 用和没有几何增强 (翻译,变焦,剪切) 训练U-net,并使用子系数进行评估.
主要成果:
- 合成数据增强在子系数中产生了边际改善 (验证+0.0409,测试+0.0355).
- 几何增强显著改善了模型的概括性,减少了跨数据集的性能变化.
- 合成数据生成的计算费用是相当大的.
结论:
- 合成数据增强为自动质瘤细分提供了适度的性能增长.
- 几何增强对于改善U网的泛化更有好处.
- 合成数据生成的当前计算成本很难为此应用程序辩护.
