使用生成性对抗性学习与多受体现场学习和两阶段培训的骨转移scintigram生成
Qiang Lin1,2,3, An Xie2,3, Xianwu Zeng4
1School of Mathematics and Computer Science, Northwest Minzu University, Lanzhou, China.
Medical physics
|September 3, 2024
概括
一个新的深度学习模型,BMS-Gen,生成现实的SPECT骨头光学图,以解决数据限制. 这种增强可以改进自动化分析任务,提高医学成像诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 对于SPECT骨光学图分析的深度学习模型需要大量的数据集.
- 数据的有限可用性阻碍了高性能深度学习模型的开发.
- 自动化数据生成对于扩展SPECT骨光学图数据集至关重要.
研究的目的:
- 介绍一个基于深度学习的生成模型 (BMS-Gen),用于创建现实的SPECT骨光学图样.
- 生成新的,不相同的样本来增强现有数据集.
- 促进先进的自动化分析工具的开发.
主要方法:
- 使用BMS-Gen.Gen.的生成对抗式学习架构.
- 采用多接收性现场学习,具有现实主义的多个输入条件.
- 结合生成式对抗式学习来保持样本多样性.
- 实施两阶段培训策略,以提高生成样本的质量.
主要成果:
- 在FID,MSE和PSNR分数分别为1678.0,69.33和19.51的情况下,BMS-Gen实现了卓越的性能.
- 通过增加BMS-Gen样本的数据集,F-1分数在分类方面提高了3.01%.
- 针对细分任务的DSC分数在生成样本时增加了6.83%,高达6.83%.
结论:
- BMS-Gen 作为一个增强骨scintigram数据的宝贵工具.
- 该模型有助于开发基于深度学习的自动化分析SPECT骨光学图.
- 这种方法有望提高诊断成像的准确性和效率.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
