梦想:一个数据增强策略,缩小专家放射科医生和深度学习分类器之间的稳定性差距
Luc Lerch1,2, Lukas S Huber3,4, Amith Kamath1
1Medical Image Analysis Group, ARTORG Centre for Biomedical Research, University of Bern, Bern, Switzerland.
Frontiers in radiology
|January 6, 2025
概括
医疗成像的深度学习模型需要强大的性能来对抗图像噪声. 一种新的数据增强策略,DreamOn,灵感来自REM梦,显著提高了AI在杂条件下的强度,尽管人类放射科医生仍然优于AI.
科学领域:
- 医学图像分析 医学图像分析
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 医学成像中的深度学习模型性能取决于图像质量.
- 图像设备,校准和患者因素的变化引入噪音,影响诊断准确度.
- 对噪声的强度对于AI在医疗保健中的临床部署至关重要.
研究的目的:
- 评估数据增强对ResNet-18模型对乳房超声波图像分类噪声强度的影响.
- 将增强型深度学习模型与人类放射科医生的性能进行比较.
- 介绍和评估DreamOn,一个新的生物灵感数据增强技术.
主要方法:
- 在乳房超声波图像上训练ResNet-18模型.
- 对噪声强度的各种数据增强策略的评估.
- 对训练有素的人类放射科医生的AI性能进行基准测试.
- 实施DreamOn,一个有条件的生成对抗网络 (GAN) 来生成REM梦灵感的图像插入.
主要成果:
- 与没有增强相比,标准数据增强方法提高了模型的稳定性.
- 与人工智能模型相比,人类放射科医生在噪音图像上表现出卓越的性能.
- 梦想数据增强策略显著提高了模型的稳定性,特别是在高噪音场景中.
结论:
- 以REM梦为灵感,基于GAN的数据增强 (DreamOn) 显示出增强医疗成像中对噪声的AI强度的承诺.
- 当前人工智能模型和处理杂医疗图像的人类专家之间仍然存在显著的性能差距.
- 为了在临床应用中实现人类水平的诊断专业知识和稳定性,人工智能的进一步进步是必要的.
