Mammo-GAN协助的深度网络培训计划用于损伤检测
Juhun Lee1,2, Robert M Nishikawa3
1Department of Radiology, The University of Pittsburgh, 200 Lothrop Street, Pittsburgh, PA, 15237, USA. leej15@upmc.edu.
Journal of imaging informatics in medicine
|December 16, 2025
概括
使用基于Cycle-GAN的损伤模拟器 (LS) 和损伤清除器 (LR) 生成更具挑战性的边界病例显著改善了深度网络性能,用于在乳房影像和胸部X射线图像中检测损伤.
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:
- 用于病变检测的深度学习模型需要广泛的训练数据,特别是边界病例,这些数据很难获得.
- 病变检测网络的性能往往受挑战性,边界训练示例的稀缺性限制.
研究的目的:
- 通过模拟和删除病变来增强训练数据集的新方法,以创建更具挑战性的深度学习模型.
- 通过数据增强,通过增加边界病例数量来提高病变检测深度网络的性能.
主要方法:
- 基于循环GAN的损伤模拟器 (LS) 和损伤清除器 (LR) 使用乳房扫描数据集开发.
- LS在正常斑块中产生病变,LR则从异常斑块中去除病变,从而产生难以区分的病例.
- 在不同的时代 (25%, 50%, 75%) 训练LS-LR模型以控制模拟影响,并使用增强数据重新训练ResNet18模型.
主要成果:
- 在50%/75%的训练时段用LS-LR增强的数据重新训练ResNet18显著改善了乳房扫描测试组的病变检测性能 (AUC=0.901) 与基线 (AUC=0.870) 相比.
- 外部验证证明了可通用性,AUC在独立的乳腺造影数据集 (0.866比0.839) 和胸部X射线数据集 (0.975比0.964) 上有所改善.
结论:
- 拟议的LS-LR模型有效地将现有的医学成像数据转化为边界病例,从而提高基于深度学习的病变检测的稳定性和性能.
- 这种数据增强策略提供了一种有前途的方法,可以提高乳房造影和胸部X射线解释的诊断准确性,解决边界病例可用性有限的挑战.
