提高医疗保健中的合成医学图像使用基于AI的暴露GAN与数据增强
Rupali Atul Mahajan1, Mudassir Khan2, Rajesh Dey3
1Vishwakarma Institute of Technology, Computer Science and Engineering, Pune, India.
Current medical imaging
|December 2, 2025
概括
本研究探讨使用生成对抗网络 (GAN) 来创建合成医疗图像,旨在提高医疗保健AI准确性. 这项研究表明GANs.
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:
- 医疗保健人工智能准确性对于可靠的诊断至关重要.
- 生成真实的合成医疗图像是一个关键的挑战.
- 现有的方法可能会产生不反映真实数据的图像,影响AI性能.
研究的目的:
- 评估生成对抗网络 (GAN) 在生成合成医疗图像方面的有效性.
- 通过改进合成数据生成,提高医疗保健人工智能系统的准确性.
- 为了研究暴露GAN架构的现实医疗图像合成.
主要方法:
- 使用医学细分十项赛 (MSD) 数据集进行培训.
- 采用数据预处理,包括像素值规范化.
- 实现了Exposed GAN架构与对抗训练和数据增强技术.
主要成果:
- 区分器在真实数据上达到0.6924的准确度,在假数据上达到0.78789的准确度.
- 实现了96.29%的平均准确率 (MPa),表明成功生成合成图像.
- 演示了GANs产生现实的合成医疗图像的潜力.
结论:
- 暴露的GAN显示出产生高质量的合成医疗图像的前景.
- 由GANs生成的合成医学图像可能会提高医疗保健AI诊断准确度.
- 对统一合成医学图像生成技术的进一步研究对于更广泛的AI应用是有必要的.
