利用合成数据增强改进 XPCI 图像中的心脏排斥反应检测
摘要
准确识别心内膜心肌活检中的急性细胞排斥反应（ACR）对于心脏移植患者的有效管理至关重要。然而，高级别排斥反应病例（3R）的稀缺性对训练鲁棒的深度学习模型构成了重大挑战。本工作通过利用 StyleGAN 生成合成数据来扩充有限的真实 3R 图像，从而解决类别不平衡问题。在 GAN 训练之前，应用直方图均衡化来标准化图像外观并改善组织表示的一致性。StyleGAN 在可用的 3R 活检图像块上进行训练，随后用于生成 10,000 张逼真的合成图像。这些图像与真实的 0R 样本（即无排斥反应的样本）以各种配置组合，用于训练 ResNet-18 分类器以进行二分类排斥反应分类。评估了三种分类器变体：一种在真实 0R 和合成 3R 图像上训练，另一种同时使用合成和额外的真实样本，第三种仅在真实数据上训练。所有模型都在一个独立的真实活检图像集上进行了测试。结果表明，合成数据提高了分类性能，尤其是在与真实样本结合使用时。性能最高的模型同时使用了真实和合成图像，在两个类别上都取得了很高的精确率和召回率。这些发现强调了混合训练策略的价值，并突显了基于 GAN 的数据增强在生物医学图像分析中的潜力，尤其是在受限于有限标注数据集的领域。
引用
@article{arxiv.2505.19746,
title = {Improving Heart Rejection Detection in XPCI Images Using Synthetic Data Augmentation},
author = {Jakov Samardžija and Donik Vršnak and Sven Lončarić},
journal= {arXiv preprint arXiv:2505.19746},
year = {2025}
}
备注
For the time being, the paper needs to be withdrawn so that a more extensive evaluation of the results can be conducted to validate the approach. Furthermore, additional authors will need to be added, which will be addressed if the study's results prove satisfactory