基于 FCVGAN 的结直肠癌息肉分割数据增强及迁移学习策略研究
《Sensors》:FCVGAN: A Novel Generative Framework Integrating Fuzzy C-Means Clustering with Conditional VAE-GAN for Polyp Segmentation
【字体:
大
中
小
】
时间:2026年09月26日
来源:Sensors 4.0
编辑推荐:
早期检测结直肠癌至关重要。使用深度学习模型进行息肉分割在此过程中可以发挥重要作用;然而,这些模型需要大规模标注数据集,而在医学成像中这些数据集难以获取。在本研究中,我们提出了FCVGAN(模糊C均值条件变分自编码器生成对抗网络),这是一个掩膜条件生成框架,结合了模糊C均值聚类
早期检测结直肠癌至关重要。使用深度学习模型进行息肉分割在此过程中可以发挥重要作用;然而,这些模型需要大规模标注数据集,而在医学成像中这些数据集难以获取。在本研究中,我们提出了FCVGAN(模糊C均值条件变分自编码器生成对抗网络),这是一个掩膜条件生成框架,结合了模糊C均值聚类、条件VAE以及基于SPADE的多尺度判别器GAN。我们在四个息肉数据集上评估了两种增强策略:逐数据集训练和从Kvasir-SEG迁移学习。跨五个独立种子重复进行的分割实验表明,迁移增强策略在四个数据集中的三个上获得了最高的平均Dice分数,而逐数据集增强在Kvasir-Sessile上表现最佳。与相应的基线相比,迁移增强在Kvasir-SEG、CVC-ClinicDB、Kvasir-Sessile和ETIS-Larib上分别将平均Dice分数提高了2.4%、0.8%、16.0%和6.2%。统计分析还显示,在所有数据集上迁移增强相对于基线均具有较大的效应量。在进行生成质量分析时,逐数据集训练获得了更好的平均FID。然而,通过迁移学习生成的图像与训练数据的相似性较低,这表明视觉保真度本身并不是增强效果的有效指标。跨五种配置进行的消融研究也表明,FCVGAN各组件的贡献取决于数据集,完整的FCVGAN模型在评估的数据集上提供了最均衡的性能。总体而言,FCVGAN提供了一个有效的合成息肉增强框架,而迁移学习则为使用单一训练生成器支持多个目标数据集提供了一种实用的策略。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号