用于早期膝骨关节炎检测中数据增强的密钥交换卷积自编码器
图像与视频处理
2025-01-17 v2 计算机视觉与模式识别
机器学习
摘要
膝骨关节炎(KOA)是一种常见肌肉骨骼疾病,显著影响活动能力与生活质量,尤其在老年人群中。然而,由于数据标注成本高且劳动密集,标注医学数据集的有限可用性常常制约早期 KOA 分类的深度学习模型训练。传统数据增强技术虽有助益,但依赖简单变换,无法为数据集引入充分多样性。为应对这些挑战,我们提出密钥交换卷积自编码器(KECAE)作为一种创新的基于人工智能(AI)的早期 KOA 分类数据增强策略。我们的模型采用带有新颖密钥交换机制的卷积自编码器,通过选择性地在 X 射线图像间交换关键病理特征来生成合成图像,这不仅使数据集多样化,也确保了增强数据的临床有效性。我们引入混合损失函数以监督特征学习与重建,其整合了包括重建、监督与特征分离损失在内的多个分量。实验结果表明,KECAE 生成的数据显著提升了 KOA 分类模型性能,在各标准与最先进架构上准确率提升最高达 1.98%。此外,一项由放射科专家参与的临床验证研究确认了合成输出的解剖合理性与诊断真实性。这些发现凸显了 KECAE 作为早期 KOA 检测中增强医学数据集的稳健工具的潜力。
引用
@article{arxiv.2302.13336,
title = {Key-Exchange Convolutional Auto-Encoder for Data Augmentation in Early Knee Osteoarthritis Detection},
author = {Zhe Wang and Aladine Chetouani and Mohamed Jarraya and Yung Hsin Chen and Yuhua Ru and Fang Chen and Fabian Bauer and Liping Zhang and Didier Hans and Rachid Jennane},
journal= {arXiv preprint arXiv:2302.13336},
year = {2025}
}