Jun, 2024
通过大量数据增强改进基于深度学习的颅骨缺损自动重建：从图像配准到潜在扩散模型
Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models
Marek Wodzinski, Kamil Kwarciak, Mateusz Daniol, Daria Hemmerling
TL;DR模拟和制造个性化颅骨植入物是可以缩短患有颅骨损伤患者等待时间的重要研究领域。个性化植入物的建模可以通过深度学习方法部分自动化，然而，该任务在使用以前未见过的数据分布时难以泛化，难以在实际临床环境中使用研究成果。鉴于获取地面真实注释的困难，必须考虑和引入不同的技术来改善用于训练深度网络的数据集的异质性。在这项工作中，我们对几种数据增强技术进行了大规模研究，包括经典的几何转换、图像配准、变分自动编码器、生成对抗网络以及最新的潜在扩散模型。我们表明，大量数据增强的使用显著增加了定量和定性结果，使得 SkullBreak 数据集的平均 Dice 分数超过 0.94，SkullFix 数据集的平均 Dice 分数超过 0.96。此外，我们展示了合成增强网络成功重建真实临床缺陷。这项工作对于人工智能在个性化颅骨植入物的自动建模领域做出了重要贡献。