生成型人工智能使得在超低数据的系统中医疗图像细分成为可能
Li Zhang1, Basu Jindal1, Ahmed Alaa2,3
1Department of Electrical and Computer Engineering, University of California San Diego, La Jolla, CA, USA.
Nature communications
|July 14, 2025
概括
医疗图像细分的深度学习现在只需要最小的数据. 我们的生成框架创建了定制的培训数据,大大提高了准确性,减少了对疾病诊断的数据需求.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度学习在医学图像细分方面出色,用于诊断和治疗规划.
- 然而,深度学习模型需要大量的注释数据集,这在医学成像中很少.
- 这种数据稀缺性限制了深度学习在超低数据系统中的应用.
研究的目的:
- 开发一个生成的深度学习框架,用于创建高质量的医学图像-面具对.
- 为了应对医学图像细分中的有限注释数据的挑战.
- 提高数据有限的医学成像中的深度学习的可行性和成本效益.
主要方法:
- 一个新的生成深度学习框架,利用多层次优化进行端到端的数据生成.
- 该框架将数据生成直接与细分模型培训过程集成在一起.
- 分段性能指导数据生成,创建定制的辅助训练数据.
主要成果:
- 生成框架在11个医疗图像细分任务和19个不同的数据集中表现出强大的概括性.
- 在同一领域和域外环境中观察到10-20% (绝对) 的显著性能改善.
- 与现有方法相比,该方法需要的培训数据比现有方法少8-20倍.
结论:
- 提出的生成框架有效地克服了医疗图像细分中的数据稀缺性.
- 它增强了深度学习模型的性能和在低数据场景中的概括性.
- 这种方法显著提高了AI在医学成像中的实用性和成本效益.
