إن حجم البيانات الكبير هو ضروري لتدريب أنظمة التعلم العميق، لكن يكلف التزامن مع جمع البيانات الطبية الصورية. يمكن أن يكون سائلاً تحسين مهام التعلم المشروع باستخدام تركيب الكائنات المهمة مثل الجزيئات الرئوية في الصور الطبية بناءً على توزيع البيانات المؤشرة، وذلك خصوصاً عندما تكون البيانات محدودة بالحجم والتوازن الفئة. في هذا البحث، نقترح الإطار التحايلي الحاسوبي المتعلق بالفئة لتحسين الجزيئات الرئوية في صور CT. يتم بناء الإطار مع الرسم الشفاف الشائع (المولد) ومختلف المحاكاة المتعلقة بالفئة. بالتوجيه على المتغيرات العشوائية الخفية وتسميات الجزيئات المستهدفة، يمكن للشبكات المدربة إنتاج جزيئات متنوعة بنفس السياق. بالتقييم على مجموعة بيانات LIDC-IDRI العامة، نظرنا في تطبيق عينة للإطار المقترح لتحسين دقة تقدير الخطر الخطير للجزيئات الرئوية كمشكلة تصنيف ثنائي، والتي تعتبر مهمة في سيناريو فحص الرئة. نظرنا أن تجميع الشرائح الصور الحقيقية والجزيئات الرئوية المصنوعة في مجموعة التدريب يمكن أن يحسن نتيجة التصنيف AUC المتوسطة عبر مختلف أنظمة الشبكات بنسبة 2٪.
تحميل البحث