Key points are not available for this paper at this time.
تعاني النماذج المعتمدة على البيانات للتشخيص الآلي في الأشعة من نقص في مجموعات البيانات وخلل في التوازن نظرًا لتمثيل منخفض للأمراض في السكان وتكلفة التوصيفات من قبل الخبراء. يمكن تعزيز مجموعات البيانات من خلال زيادة البيانات. ومع ذلك، حتى عند استخدام مجموعة كاملة من التحولات خلال تدريب النموذج، فإن الزيادات المعتادة في البيانات لا تعالج التباينات في تشريح الإنسان. اتجاه بديل هو اصطناع البيانات باستخدام النماذج التوليدية، التي يمكن أن تصنع مجموعات بيانات بسمات محددة. بينما يحمل هذا وعدًا، يمكن أن تنتج النماذج التوليدية الشائعة مثل شبكات الخصومة التوليدية ميزات غير دقيقة تشريحيًا عن غير قصد. من ناحية أخرى، تميل نماذج الانتشار، التي تقدم استقرارًا أكبر، إلى حفظ بيانات التدريب، مما يثير المخاوف بشأن الخصوصية والتنوع التوليدي. بدلاً من ذلك، يمكن أن يكون للترميم القدرة على تعزيز البيانات من خلال إدخال الأمراض مباشرة في الصور الطبية. ومع ذلك، يقدم هذا النهج تحديًا جديدًا: دمج الميزات المرضية المُولَّدة بدقة مع السياق التشريحي المحيط. بينما يعتبر الترميم طريقة مثبتة لمعالجة الآفات البسيطة، فإن تطبيقه على الأمراض التي تتضمن تغييرات هيكلية معقدة لا يزال غير مستكشف نسبيًا. نقترح طريقة فعالة لترميم الميزات المرضية على التشريح الصحي في تصوير الرنين المغناطيسي من خلال جدولة الضوضاء على مستوى الفوكسيل في نموذج الانتشار الكامن. نقيم قدرة الطريقة على إدخال انفتاق القرص وتضيُّق القناة المركزية في الرنين المغناطيسي السنجابي للفقرات القطنية T2، وقد حققت مسافة فريشيت أفضل مقارنةً بالطرق الحديثة.
درس هانسن وآخرون (ثلاثاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: