图像相似性的有效性作为增强小数据集视网膜图像细分的度量
Thomas Wallace1, Ik Siong Heng2, Senad Subasic3
1School of Physics and Astronomy, University of Glasgow, University Avenue, Glasgow, G12 8QQ, Scotland, United Kingdom; Optos PLC, Queensferry House, Dunfermline, KY11 8GR, Scotland, United Kingdom.
Computers in biology and medicine
|July 31, 2025
概括
合成图像可以提高医疗AI的性能. 数据集之间的低弗雷切开始距离 (FID) 增强了与糖尿病相关的黄斑胀 (DME) 等疾病的细分,合成数据优于标准方法.
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:
- 有限的医学成像数据集阻碍了机器学习模型的性能.
- 合成图像生成是数据集增强的一个可行的策略.
- 弗雷切开始距离 (FID) 是评估合成图像质量和数据集相似性的关键指标.
研究的目的:
- 评估FID与通过合成图像获得的性能改善之间的关系,以增强有限的数据集.
- 通过U-Net模型评估由逐渐增长的生成对抗网络 (PGGAN) 产生的合成图像对糖尿病相关黄斑 (DME) 分段的影响.
- 为了比较基于FID的合成与标准增强技术的有效性.
主要方法:
- 利用逐步增长的生成对抗网络 (PGGAN) 进行合成图像生成.
- 在DME数据集中使用U-Net模型进行内液体细分.
- 分析了Fréchet初始距离 (FID) 和细分性能改进之间的相关性.
- 合成和标准数据增强策略的比较.
主要成果:
- 通过标准和合成图像进行增强,结果与之前的实验一致.
- 高FID (不相似的数据集) 并没有显著改善细分性能.
- 减少FID导致了细分的显著和强大的改进.
- 合成数据增强显示出比标准增强更大的有效性.
- 在FID和合成数据和标准数据的性能改善之间观察到单独的日志正常趋势.
结论:
- 较低的FID值与更有效的数据集增强相关,以提高U-Net细分性能.
- 合成图像增强,特别是较低的FID,比DME细分的标准方法提供了显著的优势.
- 增强的有效性,特别是合成的,可能取决于数据集相似性 (较低的FID) 和足够不相似性的平衡,以实现强大的改进.
