基于混合的数据增强的班级智能的组合,用于学习腹部CT图像中的肝脏焦点损伤的班级失衡
Hansang Lee1, Deokseon Kim2, Joonseok Lim3
1School of Electrical Engineering, KAIST, Daehark 291, Yuseonggu, Daejeon, 34141, Republic of Korea.
Journal of imaging informatics in medicine
|January 27, 2025
概括
这项研究引入了一种新的数据增强方法,以改善CT扫描中焦点肝病变 (FLL) 的分类. 基于混合的数据增强 (CCDA) 的类明智组合提高了识别罕见FLL类型的准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 医学图像数据集中的类失衡对准确的机器学习模型培训构成重大挑战.
- 准确分类的焦点肝病变 (FLLs) 对于患者的诊断和治疗规划至关重要.
- 现有的方法很难有效地处理不同类型的FLL样本数量的差异.
研究的目的:
- 开发和评估一种新的数据增强技术,以解决FLL分类中的类不平衡问题.
- 提高机器学习模型在从腹部CT图像中识别常见和罕见FLL的性能.
- 通过利用基于混合的增强来适应性地增强每个FLL类的特征学习.
主要方法:
- 提出了基于混合的数据增强 (CCDA) 方法的类明智组合.
- 利用了两种基于混合的数据增强技术:MixUp和AugMix,应用于特定类比率.
- 定制增强策略,以适应主要和次要FLL类的独特特征.
主要成果:
- CCDA显著提高了FLL小类的分类性能.
- 该方法维持或略有改善了主要FLL类的分类性能.
- 量化分析表明,相比其他方法,小类的F1分数更高,与其他方法相比,整体类平衡的准确性更好.
结论:
- 使用MixUp和AugMix的类智能应用有效地解决了FLL分类中的类不平衡.
- 拟议的CCDA方法提高了肝损伤诊断模型的稳定性和准确性.
- CCDA为改善医学成像中的计算机辅助诊断系统提供了一种有前途的方法.


