隐私保护数据增强用于数字病理使用改进的DCGAN

科学领域:

• 数字病理学数字病理学
• 人工智能在医学中的应用
• 计算病理学计算病理学

背景情况:

• 整片图像 (WSI) 分析对于精准医学至关重要,特别是在瘤学中.
• 由于隐私问题,WSI数据集的有限可用性阻碍了深度学习模型的开发和通用性.
• 当前的数据增强技术在生成现实和多样化的病理图像方面往往不足.

研究的目的:

• 建议使用深度卷积生成对抗网络 (DCGAN) 改进全幻灯片图像 (WSI) 的数据增强方法.
• 提高合成WSI数据的质量和多样性,以改善深度学习模型培训.
• 解决隐私法规对WSI数据集可用性的限制.

主要方法:

• 利用CTransPath进行自我监督预训,提取丰富的WSI特征,用于指导合成图像生成.
• 实施了改进的DCGAN,包括最小平方对抗损失和频域损失,以提高像素精度和结构保真度.
• 集成剩余块和跳过连接以加深网络,改善梯度流,稳定训练.

主要成果:

• 与PatchCamelyon数据集上的传统模型相比,增强的DCGAN获得了优异的结构相似度指数 (SSIM) 和Fréchet初始距离 (FID) 评分.
• 由拟议方法生成的增强数据集显著改善了下游分类任务的性能.
• 关键性能指标,包括准确性,曲线下的面积 (AUC) 和F1得分得到了大幅提高.

结论:

• 提议的改进的DCGAN有效生成高保真度的合成WSI数据,克服数据稀缺的局限性.
• 这种数据增强策略显著提高了数字病理学深度学习模型的性能和通用性.
• 该方法有望通过更强大的AI驱动的WSI分析来推进精密瘤学.