通过数据增强进行血小板图像分类:对传统图像增强和使用CNN的基于GAN的合成数据生成技术进行比较研究
Itunuoluwa Abidoye1, Frances Ikeji1, Charlie A Coupland2
1Centre of Excellence for Data Science, Artificial Intelligence and Modelling, University of Hull, Hull HU6 7RX, UK.
Journal of imaging
|June 25, 2025
概括
生成对抗网络 (GAN) 创建合成血小板图像,改善疾病诊断的深度学习模型性能. 将GAN与传统增强相结合,可以提高血小板分类的准确性,特别是在数据有限的情况下.
科学领域:
- 医学成像医学成像
- 计算病理学计算病理学
- 医疗保健中的人工智能
背景情况:
- 血小板是疾病诊断和治疗指导的重要生物标志物.
- 准确的血小板识别和分类对于临床应用至关重要.
- 多种血小板图像数据集的有限可用性阻碍了深度学习模型的开发.
研究的目的:
- 使用生成对抗网络 (GAN) 开发一个合成血小板图像数据库.
- 与传统增强技术相比,评估GAN生成数据的有效性.
- 评估各种深度学习模型在不同数据集大小和增强策略上的性能.
主要方法:
- 使用Wasserstein GAN与渐变惩罚 (WGAN-GP) 生成的合成血小板图像.
- 使用传统增强,将71张图像的初始数据集扩展到141张 (一级) 和1463张 (二级).
- 在增强和合成数据集上评估了八个预训练的深度学习模型和两个定制的CNN.
- 使用准确度,精度,回忆和F1分数来测量性能.
主要成果:
- 深度学习模型在广泛增强的数据 (2级) 上取得了高性能,InceptionV3和InceptionResNetV2的准确性达到99%.
- 在2级数据上,DenseNet201实现了98%的准确性.
- 用GAN增强的数据进一步提高了DenseNet的性能,表明其在增强血小板分类方面的实用性.
结论:
- 基于GAN的数据增强显示了提高血小板分类准确性的巨大潜力.
- 结合传统和基于GAN的增强策略,为医疗成像任务提供了强大的方法.
- 合成数据生成是克服发展诊断AI工具的数据局限性的有希望的解决方案.
