噪声回声:使用扩散模型进行真实图像细分的合成超声波图像生成
David Stojanovski1, Uxio Hermida1, Pablo Lamata1
1King's College London, School of Biomedical Engineering & Imaging Sciences, London, SE1 7EU, UK.
Simplifying medical ultrasound : 4th International Workshop, ASMUS 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, Proceedings. ASMUS (Workshop) (4th : 2023 : Vancouver, B.C. ; Online)
|October 15, 2024
概括
我们开发了一种使用Denoising Diffusion Probabilistic Models (DDPMs) 来创建合成超声波图像用于训练AI模型的新方法. 这些人工智能模型在真实图像上显示了改善的心脏细分性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度学习模型需要大量的数据集进行培训.
- 获取多样化和注释的医学成像数据,如超声波图像,可能是具有挑战性和耗时的.
- 合成数据生成为医疗AI中的数据稀缺提供了潜在的解决方案.
研究的目的:
- 引入一种新的管道来生成使用Denoising Diffusion Probabilistic Models (DDPMs) 的合成超声波图像.
- 评估这些合成图像作为实数据替代品的有效性,用于训练心脏图像分析的深度学习模型.
- 通过在合成数据上训练的人工智能模型,在心脏细分任务中展示更好的性能.
主要方法:
- 利用心脏语义标签地图指导的消化扩散概率模型 (DDPMs) 来生成合成超声波图像.
- 生成合成的2D心声回声图.
- 专门在生成的合成图像上训练了一个用于左心室和左心房细分的神经网络.
主要成果:
- 在合成图像上训练的神经网络在未见的真实数据集上获得了高的子分数:88.6% (左心室内心脏),91.9% (左心室上心脏) 和85.2% (左心房).
- 与先前的最先进技术相比,子得分显著相对改善:9.2% (LV内心),3.3% (LV上心) 和13.9% (LA).
- 验证了合成超声波图像在训练强大的深度学习模型方面的潜力.
结论:
- 拟议的DDPM引导管道有效生成高质量的合成超声波图像.
- 合成超声波图像可以成功地取代真实数据,用于训练心脏细分的深度学习模型.
- 这种方法为数据增强提供了一个有前途的解决方案,并且可以扩展到其他医学成像模式和任务.
