Generierung synthetischer Bilder zur Klassifizierung von HPV-bedingten Erkrankungen: Methoden und Modelle

Künstliche Bildgenerierung: Ein neuer Weg zur Klassifizierung von HPV-bedingten Krankheiten

Die Generierung synthetischer Bilder hat in der medizinischen Bildverarbeitung bemerkenswerte Fortschritte gemacht. In unserem neuesten Projekt haben wir einen klinischen Bilddatensatz von 10 Penissen mit HPV-bedingten Erkrankungen zusammengestellt, um mittels maschinellen Lernens die Erkennung und Klassifizierung dieser Krankheiten zu verbessern.

Erhebung des Bilddatensatzes

Die Bilder wurden von einer zuvor beschriebenen mobilen Plattform gesammelt, die darauf abzielt, die Ätiologie von penalen Erkrankungen visuell zu bestimmen. Zwei erfahrene Kliniker haben jede Abbildung überprüft, um sicherzustellen, dass sie HPV-bedingte Erkrankungen korrekt widerspiegelt. Jedes Bild wurde mit textuellen Beschreibungen zu den spezifischen Krankheitsbildern, wie z.B. Genitalwarzen, verknüpft. Um eine Vielzahl von Bildern pro Klasse zu generieren, haben wir einen klassen-spezifischen Verlust (Prior-Preservation Loss) angewandt.

Durch das Setzen eines Begrenzungsrahmens haben wir den Fokus des generativen Modells auf HPV-bedingte Läsionen verschoben, um eine genauere Bilddarstellung zu gewährleisten. Die Verwendung von Diffusionsmodellen, speziell mit stabiler Diffusion, ermöglichte es uns, kohärente und strukturierte Bilder aus zufälligem Bildrauschen zu erzeugen.

Synthetische Bildgenerierung mit DreamBooth

Zur weiteren Verbesserung des Modells haben wir das personalisierte Text-zu-Bild-Modell DreamBooth verwendet. Dieses Modell erlaubt die Generierung anpassbarer synthetischer Inhalte basierend auf Textbeschreibungen. Durch den Einsatz eines U-Net-Architekturmodells konnten wir Pixel als Hintergrund oder als Bildinhalt klassifizieren. Das Training erfolgte mit sorgfältig gewählten Lernraten und einer fixen Anzahl an Trainingsschritten, um Überanpassung zu vermeiden.

Wir haben verschiedene Präsentationen von HPV-bedingten Erkrankungen erstellt und die synthetischen Bilder von Experten auf ihre klinische Plausibilität überprüfen lassen. Die als plausibel bewerteten Bilder wurden verwendet, um die Klassifizierungsmodelle zu trainieren.

Modell zur Krankheitsklassifikation

Für das Lernen mit den synthetischen Bildern haben wir ein Vision-Transformer-Modell ausgewählt, das Bilder in Segmente zerlegt. Diese werden individuell analysiert, um festzustellen, ob eine Krankheit vorliegt oder nicht. Das Modell wurde auf 500 synthetische Bilder von HPV-bedingten Erkrankungen trainiert, ergänzt durch Bilder von nicht erkrankten und anderen pathologischen Zuständen.

Zusätzlich haben wir verschiedene Optimierungsstrategien evaluiert, um Informationsverluste zu reduzieren und die Gesamtgenauigkeit des Modells zu verbessern. Wir führten Modellevaluierungen durch, um die optimale Anzahl an Epochen und Lernraten zu bestimmen.

Bewertung der Modellleistung

Die Leistung unseres Modells wurde an einem zusätzlichen Datensatz von 210 klinischen Bildern getestet. Dabei haben wir Kennzahlen wie Sensitivität, Präzision, Spezifität und F1-Score verwendet, um die Genauigkeit des Modells zu bewerten.

Die Ergebnisse wurden mit einer Receiver Operating Characteristic-Kurve graphisch dargestellt, um die Wirksamkeit des Modells gegenüber den verschiedenen Klassen zu veranschaulichen.

Ethische Überlegungen

Bei der Durchführung der Studienmethoden wurden alle relevanten Richtlinien und Vorschriften eingehalten. Die Zustimmung der Probanden zur Verwendung ihrer klinischen Bilder wurde vorab eingeholt. Alle experimentellen Protokolle wurden von der Ethikkommission der National University of Singapore genehmigt.

Fazit

Die synthetische Bildgenerierung hat das Potenzial, die medizinische Bildverarbeitung revolutionär zu verändern, indem sie die Möglichkeit bietet, vielfältige und realistische klinische Bilder zu erstellen, die für die Ausbildung und Forschung in der Dermatologie von unschätzbarem Wert sind. Mit dieser Technologie könnten Krankheiten effizienter erkannt und diagnostiziert werden, was letztlich zu besseren Patientenergebnissen führen kann.

Durch den Einsatz fortschrittlicher Techniken wie maschinellem Lernen und KI in der Medizin stehen wir am Anfang einer neuen Ära in der Diagnostik.