基于合成数据的分层学习以提升胸片肺结节检测
图像与视频处理
2025-10-22 v2 人工智能
计算机视觉与模式识别
摘要
本研究评估了将分层学习与扩散式合成数据增强相结合，以提高胸片中困难肺结节检测能力的效果，尤其是针对那些因数据不平衡和标注有限而具有低尺寸、低亮度和低对比度的结节。对Faster R-CNN采用特征金字塔网络（FPN）作为骨干网络的模型进行了训练，训练数据包括专家标注的NODE21（1,213名患者；男性占52.4%；年龄为63.2±11.5岁）、VinDr-CXR、CheXpert，以及11,206张DDPM生成的合成图像。基于尺寸、亮度和对比度的难度评分指导下进行分层学习。性能指标包括平均精度（mAP）、Dice系数和受试者工作曲线下面积（AUC）。统计检验包括自助置信区间、DeLong检验和配对t检验。分层模型在AUC上达到0.95，显著高于基线模型的0.89（p<0.001），在灵敏度上提升至70%（基线为48%），在准确率上提升至82%（基线为70%）。分层分析显示所有难度区间（从容易到非常困难）都实现了一致的提升。Grad-CAM可视化确认了分层学习下模型对解剖结构更集中注意力。这些结果表明，分层引导的合成数据增强增强了模型的鲁棒性和泛化能力，以实现肺结节的检测。
引用
@article{arxiv.2510.07681,
title = {Curriculum Learning with Synthetic Data for Enhanced Pulmonary Nodule Detection in Chest Radiographs},
author = {Pranav Sambhu and Om Guin and Madhav Sambhu and Jinho Cha},
journal= {arXiv preprint arXiv:2510.07681},
year = {2025}
}
备注
This version has been withdrawn due to authorship changes and a decision to substantially revise the manuscript with new methodology. A future version may be submitted separately