通过深度学习和合成数据增强,提高黑色素瘤在组织病理学中的诊断

科学领域:

• 计算病理学计算病理学
• 医学中的人工智能
• 生物医学图像分析

背景情况:

• 通过H&E图像进行准确的黑色素瘤诊断受到有限和不平衡的数据集的阻碍.
• 深度学习模型与数据稀缺性作斗争,影响诊断性能.

研究的目的:

• 研究使用GAN合成图像生成对训练黑色素瘤诊断深度学习分类器的影响.
• 评估合成数据对平衡不平衡的生物医学数据集的有用性.

主要方法:

• 训练有素的ResNet-18分类器使用真实图像和真实和合成图像的组合 (黑色细胞神经类).
• 在高达 1024 × 1024 像素的分辨率下评估模型.
• 使用Fréchet初始距离 (FID) 评估图像质量和使用标准指标进行分类性能.

主要成果:

• 混合模型实现了竞争性表现,特别是在特异性和减少虚假阴性方面,与仅实模型相比.
• 性能最好的模型 (1024 × 1024 px,50个时代,混合数据集) 显示了96.00%的准确性和97.00%的特异性.
• 通过合成数据增强,假阴性从80例减少到75例.

结论:

• 通过GAN生成合成数据可以作为一个有价值的补充工具,当真实样本采集是有限的.
• 这种方法显示出改善临床相关结果的潜力,特别是减少错过的黑色素瘤诊断.
• 需要进一步研究恶性样本的条件生成和合成.