一种用于病灶检测的医学图像合成的对抗学习方法
计算机视觉与模式识别
2019-04-09 v2
摘要
医学图像数据中病灶的识别对于诊断、治疗和预后十分必要。分割与分类方法主要基于带有良好配对的图像级或体素级标签的监督学习。然而，医学图像中病灶的标注十分费力，需要高度专业的知识。我们提出了一种名为异常到正常翻译生成对抗网络(abnormal-to-normal translation generative adversarial network, ANT-GAN)的医学图像合成模型，可基于其异常外观的对应图像生成正常外观的医学图像，且无需配对训练数据。与典型的 GAN 不同，后者旨在生成带有变化的逼真样本，我们这一更具约束性的模型旨在生成与含病灶图像相对应的正常外观图像，因此需要特殊设计。能够为医学图像提供“正常”对应图像，可为如病灶分割或分类等医学成像任务提供有用的辅助信息，这一点已通过我们的实验得到验证。另一方面，ANT-GAN 模型也能够基于健康图像生成高度逼真的含病灶图像，展现了在数据增强方面的潜力，这也通过我们的实验得到了验证。
引用
@article{arxiv.1810.10850,
title = {An Adversarial Learning Approach to Medical Image Synthesis for Lesion Detection},
author = {Liyan Sun and Jiexiang Wang and Yue Huang and Xinghao Ding and Hayit Greenspan and John Paisley},
journal= {arXiv preprint arXiv:1810.10850},
year = {2019}
}
备注
10 pages, 13 figures