合成数据对训练深度学习模型的影响,用于在增强对比度的乳房镜中检测和分类病变

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 乳腺癌检测 乳腺癌检测

背景情况:

• 与对比度增强的乳房学模型擅长检测增强质量,但与不增强的微化集群扎.
• 开发强大的微化检测模型对于早期诊断乳腺癌至关重要.

研究的目的:

• 评估将合成微化集群数据纳入深度学习 (DL) 模型培训数据集的影响.
• 为了确定模拟的微化是否可以提高乳房影像分析模型的性能.

主要方法:

• 模拟的微化集群和增强模式是使用来自无病变乳房图像的局部纹理特征来生成的.
• 通过使用不同比例的合成和真实患者数据来训练DL模型.
• 在真实数据上训练了一台放射学分类器,其预测与DL模型相结合以进行比较.

主要成果:

• 仅在合成数据上训练的DL模型实现了超过60%的恶性病变检测.
• 整合合成数据提高了恶性病变检测灵敏度,但精度降低,在0.80灵敏度处停滞不前.
• 组合DL和放射学模型的性能低于独立DL模型,在外部验证时ROC曲线下的面积显著下降.

结论:

• 优化合成数据集成可以提高DL模型在乳房镜中的性能,特别是当真实数据稀缺时.
• 仅使用合成数据检测恶性病变的能力凸显了它的实用性.
• 合成数据最有效的是在用来补充现有的真实数据集时,需要仔细优化模型设置和数据分布.