在超声图像中增强损伤细分:有针对性的数据增强策略的影响
Xu Wang1, Patrice Monkam1,2, Bonan Zhao1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, Liaoning, China.
International journal of biomedical imaging
|August 20, 2025
概括
本研究介绍了五种数据增强策略,以改善超声波图像中的自动化病变细分,特别是当注释数据稀缺时. 这些方法显著提高了使用深度学习模型诊断乳腺和甲状腺病变的准确性.
科学领域:
- 医学成像
- 医疗保健中的人工智能
- 计算机辅助诊断
背景情况:
- 使用深度学习 (DL) 的超声波图像中的自动化病变细分对于疾病诊断至关重要.
- 有限的注释数据集阻碍了DL模型的实际应用,特别是在资源有限的环境中.
- 生成对抗网络 (GAN) 为数据短缺提供解决方案,但涉及复杂的培训和高计算成本.
研究的目的:
- 在美国图像中探索自动化病变划分的新解决方案,解决有限的注释样本的挑战.
- 为美国的病变细分提出并评估五种不同的混合样本增量策略.
- 评估这些策略在不同类型的病变 (乳腺,甲状腺) 和深度细分模型中的有效性.
主要方法:
- 开发和实施五种混合样本数据增强策略.
- 使用四种深度细分模型对这些策略的评估.
- 使用 Dice 和 Jaccard 指数对乳腺和甲状腺病变进行性能评估.
主要成果:
- 增大策略显著改善了表现,乳腺损伤的Dice和Jaccard指数增加了高达37. 95%和36. 32%,甲状腺损伤的14. 59%和13. 01%.
- 增强策略的有效性取决于病变类型和模型架构.
- 数据增强方法的战略选择对于提高DL模型性能至关重要.
结论:
- 拟议的混合样本增量策略为美国自动化病变细分的数据短缺提供了可靠的解决方案.
- 精心选择数据增强技术对于最大限度地提高医疗成像DL模型的性能至关重要.
- 这些发现为改善医疗保健中的自动诊断工具提供了宝贵的见解.
