用于乳腺X线摄影分类中数据增强的条件填充式 GAN
计算机视觉与模式识别
2018-08-27 v2
摘要
深度学习在乳腺X线摄影中乳腺癌检测的方法近期已显示出有前景的结果。然而，此类模型受限于公开可用乳腺X线摄影数据集的有限规模，这在很大程度上源于隐私担忧以及生成专家标注的高成本。数据集规模有限因显著的类别不平衡而进一步加剧，因为“正常”图像数量远超有异常的图像。鉴于生成模型在合成逼真图像方面的快速进展，以及简单数据增强技术（如水平翻转）的已知有效性，我们探究是否可能使用生成对抗网络（GANs）来合成增强乳腺X线摄影数据集。我们训练一个类别条件 GAN 来执行上下文填充，进而将其用于在健康筛查乳腺X线图像上合成病灶。首先，我们展示 GAN 能够生成高分辨率的合成乳腺X线摄影块。接着，我们通过实验评估使用增强数据集来改进乳腺癌分类性能。我们观察到，用 GAN 增强的训练数据训练的 ResNet-50 分类器相比仅用传统增强数据训练的相同模型产生更高的 AUROC，展示了我们方法的潜力。
引用
@article{arxiv.1807.08093,
title = {Conditional Infilling GANs for Data Augmentation in Mammogram Classification},
author = {Eric Wu and Kevin Wu and David Cox and William Lotter},
journal= {arXiv preprint arXiv:1807.08093},
year = {2018}
}
备注
To appear in MICCAI 2018, Breast Image Analysis Workshop