稳定扩散的域调整用于超声染色:用于增强甲状腺结节细分的合成数据方法
Antonin Prochazka1, Jan Zeman1
1Institute of Biophysics and Informatics, 1st Faculty of Medicine, Charles University, Salmovska 1, Prague 2 120 00, Czech Republic.
Journal of biomedical informatics
|December 2, 2025
概括
由稳定扩散生成的合成图像显著改善了甲状腺结节在各种超声数据集中的细分. 这种数据增强增强了医疗成像应用的模型稳定性和概括性.
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:
- 甲状腺结节的细分对于诊断至关重要.
- 有限的超声波数据阻碍了模型的概括.
- 跨领域的性能仍然是当前模型的挑战.
研究的目的:
- 为了增强甲状腺结节细分模型的跨域概括.
- 用合成图像来增强有限的超声波训练数据.
- 为了利用精心调整的稳定扩散模型来生成合成数据.
主要方法:
- 微调的稳定扩散v1.4在2303个甲状腺结节上对UNet进行了排斥.
- 合成了现实的甲状腺结节,并使用绘画将它们插入原始图像中.
- 在原生和原生+合成数据上训练了ResUNet,DeepLabV3+和MITUnet模型.
- 使用子相似系数 (子得分) 和交叉路口 (IoU) 量化性能.
主要成果:
- 在域内TN3K测试集中获得了适度的收益 (高达+2.2%的子).
- 对外部数据集的实质性改进:DeepLabV3+在TDID上改进了20.9%,在TUCC上改进了11.4%.
- MITUNet和ResUNet在外部数据集上也显示出显著的收益.
- 对外部数据集的改进具有统计学意义 (p < 0.01).
结论:
- 用稳定扩散生成的合成图像来增强超声数据集,显著提高了甲状腺结节细分的稳定性.
- 该方法提高了来自不同设备,机构和运营商的数据集的性能.
- 合成数据生成是一种可行的策略,可以克服医学成像中的数据限制.
