3N-GAN：基于三方对抗框架的 X 射线图像半监督分类
图像与视频处理
2021-09-29 v1 计算机视觉与模式识别
机器学习
摘要
深度学习在医学成像任务（如分类）中的成功严重依赖于大规模数据集的可用性。然而，获取包含大量标注数据的数据集具有挑战性，因为标注既昂贵又耗时。半监督学习（SSL）是全监督学习的一种日益增长的替代方案，但需要未标记样本进行训练。在医学成像中，许多数据集完全缺乏未标记数据，因此无法常规利用 SSL。我们提出了 3N-GAN，即 3 Network Generative Adversarial Networks，以在全监督设置下执行医学图像的半监督分类。我们将分类器纳入对抗关系中，使得生成器与分类器和判别器同时进行对抗训练。我们的初步结果显示，在各种算法上改进了分类性能和 GAN 生成质量。我们的工作可以与众多其他医学成像模型架构和 SSL 方法无缝集成，以获得更高的性能。
引用
@article{arxiv.2109.13862,
title = {3N-GAN: Semi-Supervised Classification of X-Ray Images with a 3-Player Adversarial Framework},
author = {Shafin Haque and Ayaan Haque},
journal= {arXiv preprint arXiv:2109.13862},
year = {2021}
}
备注
5 pages, 2 figures; authors contributed equally