利用生成对抗网络捕捉计算机断层扫描图像中的变异性
计算机视觉与模式识别
2018-05-30 v1 机器学习
机器学习
摘要
随着深度学习 (DL) 技术尤其是生成对抗网络 (GANs) 的出现，数据增强与生成是近来迅速演进并引起广泛兴趣的领域。然而，DL 技术对数据需求量大，且由于医学数据不易获取，它们受困于数据不足。为应对此限制，人们使用了不同的数据增强技术。在此，我们提出一种新颖的无监督数据驱动数据增强方法，可使用简单 GAN 生成 2D 计算机断层扫描 (CT) 图像。生成的 CT 图像具有真实 CT 图像的优良全局与局部特征，可用于增强训练数据集以实现有效学习。在本概念验证研究中，我们表明所提出的基于 GAN 的方案能够捕捉部分全局与局部 CT 变异性。我们的网络能够生成视觉逼真的 CT 图像，我们旨在通过将分辨率提升以及潜在地从 2D 扩展到 3D 来进一步增强其输出。
引用
@article{arxiv.1805.11504,
title = {Capturing Variabilities from Computed Tomography Images with Generative Adversarial Networks},
author = {Umair Javaid and John A. Lee},
journal= {arXiv preprint arXiv:1805.11504},
year = {2018}
}