MedLesSynth-LD:使用基于物理的噪音模型进行损伤合成,以在低数据医疗成像系统中进行强大的损伤细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 强大的损伤细分模型需要具有高质量的注释的大型数据集.
• 在数据不足的系统中,由于损伤变异 (对比度,纹理,大小) 的代表性有限,培训具有挑战性.

研究的目的:

• 提出MedLesSynth-LD,一种病变模拟方法,以解决医疗图像细分中的数据稀缺性和多样性问题.
• 在低数据场景中提高细分模型的稳定性和性能.

主要方法:

• MedLesSynth-LD通过使用基于物理的噪音模型来扰乱健康组织,从而产生真实的损伤纹理.
• 病变位于圆形定义的面具内,并与不同对比度混合.
• 模拟方法是无监督的,可以适应各种损伤特征.

主要成果:

• 使用75%的真实数据,MedLesSynth-LD在子得分 (DSC) 中提高了16%的细分,在正常化第95百分位 Hausdorff 距离 (HD95 (标准)) 中提高了33%,与完全监督的训练相比.
• 在低数据模式中超越了最先进的方法,实现了10%高的平均DSC和19%低的平均HD95 (标准).
• 在脑MRI,肝脏CT,乳房超声波和视网膜底部成像中得到验证.

结论:

• MedLesSynth-LD有效地提高了在低数据制度中的损伤细分模型培训.
• 该方法为增加数据多样性和改进模型概括提供了可行的解决方案.
• 源代码是公开可用的,用于进一步的研究和应用.