通过扭曲变换来增强数据,以建模角膜内皮中的自然变异性,增强半监督细分
Sergio Sanchez1, Noelia Vallez2, Gloria Bueno2
1Facultad de Ingeniería, Universidad Tecnologica de Bolivar, Cartagena, Colombia.
PloS one
|November 12, 2024
概括
这项研究引入了一种使用图像扭曲的新型数据增强方法,以提高角膜内皮层细分的深卷积神经网络 (CNN) 性能. 该技术通过现实地建模自然图像变异性来增强半监督学习,从而提高了细分的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
背景情况:
- 角膜内皮的准确细分对于诊断眼部疾病至关重要.
- 深层卷积神经网络 (CNN) 对此任务有前途,但由于专家注释的医疗数据稀缺而受到限制.
- 半监督学习方法可以减轻数据稀缺性,但需要有效的数据增强策略.
研究的目的:
- 开发和评估一种新的数据增强技术,以增强半监督的基于CNN的角膜内皮细分.
- 提高CNN模型在细分角膜内皮图像中的准确性和概括能力.
主要方法:
- 开发了一种独特的图像扭曲数据增强过程,涉及关键点提取,Delaunay三角化,局部亲属转换和面具精细化.
- 这种方法用于丰富角膜内皮图像的数据集,捕捉自然变异性.
- 增强数据集被用于对多个CNN架构进行半监督训练以进行细分.
主要成果:
- 拟议的数据增强技术显著改善了细分性能.
- 平均交叉与结合 (mIoU) 的增加为17.2%,子系数 (DC) 的增加为4.8%.
- 该方法在多个CNN架构中展示了增强的性能和概括性.
结论:
- 开发的基于曲的数据增强策略有效地模拟了角膜内皮图像中的自然变异性.
- 这种方法提高了医疗图像细胞细分的半监督CNN的性能和概括性.
- 该技术为医疗图像分析中的数据稀缺问题提供了可行的解决方案.
更多相关视频
12:36A Human Corneal Organ Culture Model of Descemet's Stripping Only with Accelerated Healing Stimulated by Engineered Fibroblast Growth Factor 1
Published on: July 22, 2022
4.5K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
