MEDDAP:基于多样化增强流程的医学数据集增强

深度神经网络(DNN)的有效性在很大程度上依赖于可用训练数据的丰富性与准确性。然而,大规模地收集和标注数据往往既昂贵又耗时,在医学场景中尤为如此,因为医务人员本身已忙于本职工作。此外,确保模型在各种图像采集场景下保持鲁棒性在医学领域至关重要,尤其是在处理因不同设备设置和换能器手动操作而存在差异的超声图像时。为应对这一挑战,我们提出了一种名为 MEDDAP 的新流程,它利用 Stable Diffusion(SD)模型,通过自动生成新的、信息丰富的带标签样本来增强现有的小型数据集。SD 的预训练检查点通常基于自然图像,而针对医学图像对其进行训练需要大量 GPU 资源,因为其参数量庞大。为克服这一挑战,我们提出了 USLoRA(Ultrasound Low-Rank Adaptation),一种专为超声应用量身定制的新型微调方法。USLoRA 可对 SD 内的权重进行选择性微调,相较于仅对 SD 的 UNet 部分进行全量微调,所需参数不足 0.1%。为增强数据集的多样性,我们在生成过程的提示中引入不同的形容词,从而使分类器对不同图像间的强度变化不敏感。这一思路借鉴了临床医生对乳腺肿瘤的决策过程——其中肿瘤的形状往往比强度更为关键。总之,我们的流程不仅优于在原始数据集上训练的分类器,而且在面对未见过的数据集时也表现出更优的性能。源代码可在 https://github.com/yasamin-med/MEDDAP 获取。