一种基于对比的不配对翻译网络的新型跨模态数据增强方法,用于超声波成像中的脏细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 腎臟病學 (nephrology) 是一種醫學專業.

背景情况:

• 超声 (美国) 图像细分对于诊断和规划病的治疗至关重要.
• 深度学习 (DL) 显示了自动脏美国细分的前景.
• 美国的图像质量差和边界薄弱妨碍了DL模型的准确注释,限制了它们的应用.

研究的目的:

• 探索一种新的跨模式数据增强方法,以增强DL细分网络.
• 为了应对有限的标记脏美国数据集的挑战.

主要方法:

• 利用对比的未配对翻译网络 (CUT) 来从CT和未标记的US数据中生成模拟的标记脏US图像.
• 提出了一个实例权重培训策略,以利用模拟和真实标记的脏图像.
• 在4418个标记CT切片和4594个未标记的美国图像上训练生成网络;在4594个模拟和100个真实美国图像上训练细分网络.

主要成果:

• 合成精确的标记的美国图像,Fréchet开始距离为52.52.
• 在正常脏US图像上实现了0.9360 ± 0.0398 (迪斯相似系数) 的细分精度,在异常数据集上达到0.7719 ± 0.2449.
• 与其他培训策略相比,证明了统计学上显著的优势 (p < 0.01).

结论:

• 拟议的方法有效地提高了脏图像细分模型的准确性和概括性.
• 成功克服了由稀缺的注释训练数据所带来的局限性.