分割模型能否使用完全合成生成的数据进行训练？
计算机视觉与模式识别
2023-11-22 v1
摘要
为实现良好的性能和泛化能力，医学图像分割模型应在具有充分可变性的大型数据集上训练。由于伦理和治理限制，以及标注数据的成本，科学发展常受阻碍，模型在有限数据上训练和测试。数据增强常用于人为增加数据分布的可变性并改善模型泛化性。近期工作探索了用于图像合成的深度生成模型，因为这种方法能生成数量上无限的可变数据，解决泛化性和数据获取问题。然而，许多提出的方案限制了用户对生成内容的控制。本工作中，我们提出 brainSPADE，一种将基于合成的扩散标签生成器与语义图像生成器相结合的模型。我们的模型可按需生成完全合成的脑标签（含或不含关注病灶），并生成任意引导风格的相应 MRI 图像。实验表明，brainSPADE 合成数据可用于训练分割模型，性能与真实数据训练的模型相当。
引用
@article{arxiv.2209.08256,
title = {Can segmentation models be trained with fully synthetically generated data?},
author = {Virginia Fernandez and Walter Hugo Lopez Pinaya and Pedro Borges and Petru-Daniel Tudosiu and Mark S Graham and Tom Vercauteren and M Jorge Cardoso},
journal= {arXiv preprint arXiv:2209.08256},
year = {2023}
}
备注
12 pages, 2 (+2 App.) figures, 3 tables. Accepted at Simulation and Synthesis in Medical Imaging workshop (MICCAI 2022)