两种增强方法在提高关节积血检测准确性中的比较

随着计算能力的提升，医学影像中的机器学习模型已被引入以辅助医疗诊断和检查，例如血友病——一种血液无法正常凝固的罕见疾病。通常，检测血友病的瓶颈之一是缺乏可用于训练算法以提高准确性的数据。作为一种可能的解决方案，本研究调查了通过数据合成或传统增强技术引入增强数据是否能提高模型准确性，从而帮助诊断该疾病。为开展本研究，使用预训练的VGG-16提取超声图像特征，并基于提取的特征，通过余弦相似度度量比较真实图像、合成图像和增强图像在不同分布下的相似性（真实vs.真实、合成vs.合成、真实vs.不同批次的合成、真实vs.增强技术）。使用EfficientNet-B4识别“血液”图像，并采用两种增强方法测试模型性能。此外，使用梯度加权类激活映射(Grad-CAM)可视化来解释意外的结果，如准确性下降。合成图像与真实图像未显示出高相似性，平均相似度得分为0.4737。合成批次1数据集和通过水平翻转得到的图像与原始图像更相似。经典增强技术和数据合成都能提高模型准确性，且传统增强技术得到的数据性能优于合成数据。此外，Grad-CAM热图指出准确性下降是由于域偏移。总体而言，本研究发现数据合成和传统增强技术这两种增强方法都能在一定程度上提高准确性，有助于诊断罕见疾病。