基于精炼随机数据增强与硬边界框训练的实用X射线胃癌诊断辅助
图像与视频处理
2025-02-06 v5 计算机视觉与模式识别
摘要
内镜广泛用于胃癌诊断且诊断性能高，但必须由医师操作，限制了可诊断人数。相比之下，胃部X射线可由放射技师拍摄，从而使更多患者能够接受影像检查。然而，X射线影像诊断高度依赖医师的专业知识与经验，且鲜有机器学习方法被开发以辅助该过程。我们提出一种新颖且实用的胃部X射线影像胃癌诊断辅助系统，可使更多人得到筛查。该系统基于通用的深度学习目标检测模型，并融合两项新技术：精炼概率胃图像增强(R-sGAIA)与硬边界框训练(HBBT)。R-sGAIA增强概率性胃褶皱区域，为癌症检测模型提供更多学习模式。HBBT是一种高效训练方法，通过允许使用未标注的负样本（即健康对照），而这类样本在常规检测模型中通常不可用，从而提升模型性能。所提系统对胃癌的灵敏度(SE)达90.2%，高于专家水平(85.5%)。在此条件下，系统识别的五个候选框中有两个为癌性（精确率=42.5%），图像处理速度为每幅0.51秒。该系统亦优于采用相同目标检测模型与最先进数据增强的方法，F1分数提升5.9点。总之，该系统能在实用时间范围内高效定位供放射科医生检视的区域，从而显著减轻其工作负担。
引用
@article{arxiv.2108.08158,
title = {Practical X-ray Gastric Cancer Diagnostic Support Using Refined Stochastic Data Augmentation and Hard Boundary Box Training},
author = {Hideaki Okamoto and Quan Huu Cap and Takakiyo Nomura and Kazuhito Nabeshima and Jun Hashimoto and Hitoshi Iyatomi},
journal= {arXiv preprint arXiv:2108.08158},
year = {2025}
}
备注
20 pages, 6 figures