ADASSM:从图像的统计形状模型中对抗性数据增强

科学领域:

• 医疗成像医学成像
• 计算解剖学的计算解剖学
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 统计形状模型 (SSM) 对于分析人群中的解剖变异至关重要,有助于病理检测和治疗规划.
• 传统的SSM方法需要广泛的医疗图像预处理 (CT/MRI),这是耗时的.
• 基于深度学习的图像到SSM网络提供了效率,但遭受了数据饥饿和过度匹配,通常依赖于离线形状增强.

研究的目的:

• 解决深度学习网络中的纹理偏差和数据限制 图像到SSM网络.
• 引入一种新的飞行数据增强策略,以增强图像到SSM框架.
• 提高医疗成像中形状分析深度学习模型的准确性和稳定性.

主要方法:

• 开发了一种使用数据依赖噪声生成 (纹理增强) 的新型飞行数据增强策略.
• 训练了对抗图像到SSM网络的增强框架.
• 创建多样化和具有挑战性的噪音样本来训练网络.

主要成果:

• 提出的纹理增强策略显著提高了图像到SSM网络的准确性.
• 该模型学会了更多地关注底层的解剖几何,而不是表面的像素值.
• 实现了与传统的SSM方法相提并论或更高的准确性,同时减轻了深度学习模型的局限性.

结论:

• 随时增强纹理是一种有效的方法,可以增强深度学习的图像到SSM网络.
• 这种方法减轻了纹理偏差,并在有限的医学数据的情况下改善了概括性.
• 这些发现表明了开发更强大,更准确的计算解剖工具的有希望的方向.