通过合成数据改进基于机器学习的咬翅细分
Ekaterina Tolstaya1, Antonin Tichy2, Sebastian Paris3
1Department of Conservative Dentistry and Periodontology, LMU University Hospital, LMU Munich, Goethestraße 70, 80 336, Munich, Germany.
Journal of dentistry
|March 11, 2025
概括
合成数据有助于牙植入物细分在咬伤翼X射线图,当微调在原始数据. 仅在合成数据上的训练可能会降低性能,但微调可以提高代表性不足的类型的模型准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 在牙科领域的机器学习.
- 放射学中的人工智能
背景情况:
- 阶级不平衡在医学图像分析中构成了重大挑战,特别是在对代表性不足的结构进行细分时,例如咬翼放射图中的牙科植入物.
- 在训练和测试数据集中,植入物的像素级表示非常低 (0.03%和0.07%),需要先进的技术来提高模型性能.
研究的目的:
- 通过扩散模型和生成对抗网络 (pix2pix) 生成的合成数据用于解决牙科植入物细分中的阶级不平衡的有效性.
- 为了比较在各种数据策略上训练的U-Net细分模型的性能,包括原始,合成,过量采样和微调数据集.
主要方法:
- 通过扩散和pix2pix模型生成与牙科植入物丰富的合成数据集.
- 在四个不同的数据集上训练U-Net细分模型:原始,合成,合成,然后对原始数据进行微调,然后对原始数据进行纯粹的过量采样.
- 使用精度,子得分,回忆,F1得分和ROC AUC等指标评估模型性能.
主要成果:
- 仅在原始数据集上进行训练的U-Net模型未能对植入物进行细分.
- 纯粹的过量采样产生了最高的精度,而仅在合成数据上进行训练则导致所有指标的表现较差.
- 在合成数据上预先训练的模型与原始数据集的微调实现了最高的子得分,回忆,F1得分和ROC AUC,优于其他方法.
结论:
- 合成数据本身就会降低细分模型的性能,特别是在少数群体中.
- 在合成数据和原始数据上预先训练的微调模型显著提高了代表性不足的班级的表现,为人工智能驱动的牙科成像提供了有前途的方法.
