在小型DCE-MRI数据集中改善乳腺损伤分类的生理信息生成模型

科学领域:

• 生物医学图像处理技术
• 医学成像物理 医学成像物理
• 机器学习在医学中的应用

背景情况:

• 医学成像中的深度学习 (DL) 需要大量的注释数据集,这些数据很难获得.
• 使用生成模型增强数据是一个常见的解决方案,但往往缺乏生物现实主义.
• 现有的方法不能充分利用医学成像技术背后的物理原理.

研究的目的:

• 为生物医学成像开发一个生理意识的数据增强策略.
• 提高医学领域深度学习分类器的性能.
• 为了应对医学图像分析中有限的注释数据的挑战.

主要方法:

• 一种结合生理学基础药理动力学 (PBPK) 建模和内在变形自编码器 (DAE) 的新型生成方法.
• 应用到乳房动态对比增强磁共振成像 (DCE-MRI) 数据.
• 在不同采集协议的不同数据集上进行测试.

主要成果:

• 拟议的生理意识数据增强显著提高了基于DL的病变分类器的性能.
• 在多个数据集和采集协议中证明了有效性.
• 验证了将生物原则纳入生成模型的重要性.

结论:

• 生理意识的数据增强是提高医学成像中的DL的有希望的策略.
• PBPK-DAE方法提供了一种可靠的方法来生成现实的合成医疗图像.
• 这项工作推动了用于疾病诊断的更准确,更有效的数据人工智能工具的开发.