利用生成对抗网络与人工智能处理医学图像抗击 COVID-19：一项范围综述
图像与视频处理
2022-05-17 v1 计算机视觉与模式识别
机器学习
摘要
本综述对 GANs 在应对 COVID-19 数据稀缺与诊断相关挑战中的作用进行了全面研究。这是首项总结不同 GANs 方法及 COVID-19 肺部图像数据集的综述。它试图回答与 GANs 应用、流行 GAN 架构、常用图像模态以及源代码可用性相关的问题。本综述纳入了 57 项报告将 GANs 用于 COVID-19 肺部图像数据不同应用的全文研究。大多数研究（n=42）使用 GANs 进行数据增强，以提升 AI 技术对 COVID-19 诊断的性能。GANs 的其他流行应用为肺部分割与肺部图像超分辨率。cycleGAN 与 conditional GAN 是最常用的架构，各有九项研究使用。29 项研究使用胸部 X 射线图像，21 项研究使用 CT 图像训练 GANs。大多数研究（n=47）使用公开可用数据完成实验并报告结果。仅两项研究报告了放射科医生/临床医生对结果的二次评估。结论：研究表明 GANs 在解决 COVID-19 肺部图像数据稀缺挑战方面具有巨大潜力。由 GANs 合成的数据有助于改进为 COVID-19 诊断训练的卷积神经网络（CNN）模型的训练。此外，GANs 还通过图像超分辨率与分割提升了 CNNs 的性能。本综述也指出了基于 GANs 的方法在临床应用转化中的关键局限。
引用
@article{arxiv.2205.07236,
title = {Combating COVID-19 using Generative Adversarial Networks and Artificial Intelligence for Medical Images: A Scoping Review},
author = {Hazrat Ali and Zubair Shah},
journal= {arXiv preprint arXiv:2205.07236},
year = {2022}
}