AI-Augmented Thyroid Scintigraphy for Robust Classification of Disease
Notice bibliographique
Résumé
Thyroid scintigraphy is vital for diagnosing thyroid disorders, yet deep learning (DL) models in this domain often struggle with limited, imbalanced datasets. This study investigates the impact of three data augmentation strategies including Stable Diffusion (SD), Flow Matching (FM), and Conventional Augmentation (CA), on enhancing DL-based classification of disease. Anterior thyroid scintigraphy images from 2954 patients across nine medical centers were classified into four categories: Diffuse Goiter (DG), Nodular Goiter (NG), Normal (NL), and Thyroiditis (TI). Data augmentation was performed using CA as well as various SD and FM models, creating 18 distinct scenarios. Each augmented dataset was used to train a ResNet18 DL-classifier. Model performance was assessed using class-wise and average precision, recall, F1-score, ROC AUC, and image fidelity metrics (FID and KID). FM-based methods demonstrated top-tier performance, with the Original dataset combined with FM (O+FM) configuration achieving the highest micro, macro, and weighted F1-scores (0.78, 0.77, 0.78) and AUC values (0.95, 0.93, 0.94). While the O+FM+CA model also yielded excellent, balanced results, O+FM was statistically superior, indicating that high-fidelity generative augmentation can supersede conventional heuristics. FM also produced the most realistic images, achieving the lowest overall FID (0.66) and KID (0.83). Among the SD variants, SD1 combining image and prompt inputs was the most effective (macro F1: 0.76; FID: 4.17), showing that physician-generated prompts provide critical clinical context. Integrating FM and clinically-informed SD augmentation substantially improves thyroid scintigraphy classification, highlighting the importance of advanced generative models for robust training on limited datasets. The code is available at: https://github.com/MaziarSabouri/Stable-Diffusion-Scintigraphy-Augmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».