对基于GAN增强的深度学习COVID-19图像分类的进一步审视
图像与视频处理
2024-06-17 v2 计算机视觉与模式识别
摘要
训练数据的可用性是深度学习在医学影像应用中面临的主要限制之一。数据增强是克服这一问题的常用方法。一种新方法是基于机器学习的增强，特别是使用生成对抗网络（GAN）。在这种情况下，GAN生成与原始数据集相似的图像，从而增加总体训练数据量，进而提升训练网络的性能。GAN模型由两个网络组成：生成器和判别器，它们在一个反馈回路中相互连接，形成竞争环境。本研究是先前工作的延续，此前我们使用Nvidia的StyleGAN2-ADA在有限的COVID-19胸部X光图像数据集上进行了训练。本文研究了基于GAN的增强性能对数据集大小的依赖性，重点关注小样本情况。我们考虑了两个数据集，一个每类包含1000张图像（总计4000张），另一个每类包含500张图像（总计2000张）。我们使用这两个数据集训练StyleGAN2-ADA，然后在验证生成图像的质量后，将训练好的GAN用作多类分类问题中的增强方法之一。我们通过采用基于迁移学习的COVID-19胸部X光图像分类，将基于GAN的增强方法与两种不同方法（经典增强和无增强）的质量进行比较。结果使用不同的分类质量指标进行量化，并与文献中的结果进行了比较。研究发现，在中等和大数据集情况下，基于GAN的增强方法与经典增强方法效果相当，但在较小数据集上表现不佳。无论采用何种增强方法，原始数据集大小与分类质量之间的相关性都显而易见。
引用
@article{arxiv.2401.14705,
title = {Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification},
author = {Oleksandr Fedoruk and Konrad Klimaszewski and Aleksander Ogonowski and Michał Kruk},
journal= {arXiv preprint arXiv:2401.14705},
year = {2024}
}
备注
Submitted to Machine Graphics & Vision. Version with updated acknowledgments