合成与经典数据增强:对乳房超声波图像分类的影响
概括
这项研究比较了乳腺癌超声波成像中的深度神经网络的经典和生成数据增强. 生成性方法显示出希望,但需要进一步调查其计算成本与诊断准确性的好处.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 深度神经网络 (DNN) 在超声分析中的有效性取决于优质的培训数据.
- 医疗数据收集是资源密集型的,在不同的条件下模型的稳定性至关重要.
- 数据增强增强了DNN通用化,通过GAN和扩散模型生成合成数据是最近的进步.
研究的目的:
- 为了比较乳房超声波图像分类的经典和生成网络数据增强.
- 评估这些方法对DNN性能和稳定性的影响.
- 评估生成网络的计算需求是否在这种情况下为数据增强提供了理由.
主要方法:
- 经典数据增强技术与生成方法 (GAN,扩散模型) 的比较分析.
- 实施增大策略,以改善乳房超声波图像分类模型.
- 在各种成像场景中评估模型性能和稳定性.
主要成果:
- (摘要结果尚未提供)
结论:
- (结论尚未提供摘要)
