基于先进神经风格迁移的乳腺超声图像增强方法：一种高效且可解释的方法
图像与视频处理
2024-11-04 v1 计算机视觉与模式识别
机器学习
摘要
乳腺恶性肿瘤(BM)的临床诊断是近期一个具有挑战性的问题。特别是，深度学习(DL)模型持续为早期BM诊断提供重要解决方案，但其性能因乳腺超声(BUS)图像数据量有限而出现过拟合。此外，大规模BUS数据集由于隐私和法律问题难以管理。因此，图像增强是提升DL模型性能的必要且具挑战性的步骤。然而，当前基于DL的增强模型不够充分且作为黑箱运行，缺乏关于其适用性和有效性的信息与理由。此外，增强前后需要高性能计算资源和时间来生成增强图像并评估模型性能。因此，本研究旨在利用先进的神经风格迁移(NST)和可解释人工智能(XAI)，结合基于GPU的并行基础设施，开发一种新颖的高效BUS图像增强方法。我们使用Horovod框架在DGX集群上将增强模型的训练分布到8个GPU上，在保持模型精度的同时实现了5.09倍的加速。所提出的模型在800张(348张良性、452张恶性)BUS图像上进行了评估，并使用不同的定量分析与渐进技术进行了性能对比。结果表明，所提出的方法能够以92.47%的准确率成功增强BUS图像。
引用
@article{arxiv.2411.00254,
title = {A Novel Breast Ultrasound Image Augmentation Method Using Advanced Neural Style Transfer: An Efficient and Explainable Approach},
author = {Lipismita Panigrahi and Prianka Rani Saha and Jurdana Masuma Iqrah and Sushil Prasad},
journal= {arXiv preprint arXiv:2411.00254},
year = {2024}
}