用沃利-珀林扩散生成合成数据,以在不平衡的CT数据集中检测出强大的甲状腺下出血
Zhongyang Lu1, Tao Hu2, Masahiro Oda2,3
1Graduate School of Informatics, Nagoya University, Furo-cho, Chikusa-ku, Nagoya, Aichi, Japan. zlu@mori.m.is.nagoya-u.ac.jp.
International journal of computer assisted radiology and surgery
|September 2, 2025
概括
这项研究引入了Worley-Perlin扩散模型 (WPDM),用于生成高质量的脑下关节出血 (SAH) 图像. 在不平衡的数据集中,WPDM显著改善了SAH CT检测,其性能优于现有的方法.
科学领域:
- 医学成像
- 人工智能
- 计算机视觉
背景情况:
- 在CT扫描中检测甲状腺下出血 (SAH) 对患者的结果至关重要.
- 不平衡的数据集对开发准确的SAH检测模型构成重大挑战.
- 现有的SAH样本合成生成模型存在诸如过度拟合和噪声扭曲等局限性.
研究的目的:
- 提出一种新的生成模型,以生产高质量的SAH样本,以提高SAHCT检测性能.
- 解决以前处理不平衡数据集和生成现实的SAH图像的方法的局限性.
主要方法:
- 介绍使用Worley-Perlin噪声进行SAH图像合成的Worley-Perlin扩散模型 (WPDM).
- WPDM的设计是为了克服高斯噪声的同质性和简单噪声的扭曲.
- 一个更快的变体,WPDM_Fast,是为了优化生成速度而不牺牲图像质量而开发的.
主要成果:
- 在不同不平衡比率的数据集中,WPDM在分类准确度方面取得了显著的改善.
- 用WPDM生成的样本进行训练的分类器在1:36不平衡比率上获得了F1分数0.857.
- 这一表现比最先进的表现高出2.3个百分点.
结论:
- WPDM有效地产生了高质量的,现实的SAH图像,克服了以前基于噪声的模型的局限性.
- 该模型在不平衡的场景中显著提高了分类性能.
- 在临床实践中,WPDM为改善SAHCT检测提供了强大的解决方案.
