武星 1,2 , 陶晨杰 1 , 李智 1 , 張健 3,4 , 孫群 5 , 韓先花 6 , 陳延偉 7
  • 1. 上海大學 計算機工程與科學學院(上海 200444);
  • 2. 上海大學 上海先進通信與數據科學研究院(上海 200444);
  • 3. 上海大學 醫學院(上海 200444);
  • 4. 上海全景醫學影像診斷中心(上海 200233);
  • 5. 上海交通大學附屬第六人民醫院 消化內科(上海 200233);
  • 6. 山口大學 理學部(日本山口 753-8511);
  • 7. 立命館大學 情報理工學部(日本滋賀 525-8577);
導出 下載 收藏 掃碼 引用

在計算機輔助醫療診斷領域,獲取含標簽的醫學數據代價昂貴,同時對模型的可解釋性要求較高,而目前大多數深度學習模型存在數據缺乏和可解釋性差的局限。為此,本文提出一種新穎的用于醫學圖像分割的數據增強方法,其優勢和新穎之處在于,通過梯度類激活熱力圖提取數據效用特征并與原圖像進行融合,然后構建新的通道權重特征提取器來學習不同通道間的權重,最終實現了不具有破壞性的數據增強效果,提升了模型的性能、數據效用和可解釋性。將本文方法應用于超光譜-克瓦希爾(Hyper-Kvasir)數據集,U型網絡(U-net)模型的交并比(IoU)和戴斯(Dice)系數分別有所提升;在國際皮膚成像合作組織(ISIC)檔案文件(Archive)數據集(ISIC-Archive)上,深度研究實驗室V3+網絡(DeepLabV3+)模型的指標IoU和Dice系數也分別有所提升。此外,在僅使用70%的訓練數據的情況下,依然取得了原模型在整個數據集上訓練所得性能的95%,表現出良好的數據效用。而且,該方法所使用的數據效用特征具有內置的可解釋信息,有助于提高模型的可解釋性。本文所提方法普適性較好,可以即插即用,適用于不同的分割方法,且無需修改網絡結構,因此易于集成到現有的醫學圖像分割工作中,可提高今后研究和應用的便利性。

引用本文: 武星, 陶晨杰, 李智, 張健, 孫群, 韓先花, 陳延偉. 基于通道權重和數據效用特征的醫學圖像分割數據增強方法. 生物醫學工程學雜志, 2024, 41(2): 220-227, 236. doi: 10.7507/1001-5515.202302024 復制

版權信息: ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有,未經授權不得轉載、改編

  • 上一篇

    基于并行輕量化卷積和多尺度融合的腦部磁共振圖像配準
  • 下一篇

    基于SE-CaraNet的全方位最大密度投影圖像顱內動脈瘤自動檢測方法