用于可共享合成数据生成的约束生成对抗网络集成
图像与视频处理
2020-03-03 v1
摘要
机构之间甚至同一机构内部医学影像数据集的共享受到各种法规/法律壁垒的限制。尽管这些限制是保护患者隐私和严格界定数据所有权的必要措施，但需要大型数据集的医学研究项目因此受到相当大的影响。近年来，随着深度神经网络方法的兴起，机器学习发生了革命性变化，而这些新技术通常需要海量影像数据集，使得数据相关的限制成为一个更大的问题。本文引入约束生成对抗网络集成（constrained Generative Adversarial Network ensembles, cGANe）来解决该问题，其通过改变影像数据的表示方式，同时保留重要信息，使得利用可共享数据在其他地方复现相似研究结果成为可能。相应地，本文描述了 cGANe 生成的框架，并针对从 T1 加权对比增强 MRI 研究生成合成 3D 脑转移区域数据验证了该方法。对于 90% 脑转移（BM）检测灵敏度，我们先前报道的检测算法在使用原始数据训练后平均每位患者产生 9.12 个假阳性 BM 检测，而使用 cGANe 生成的合成数据训练后产生 9.53 个假阳性。尽管所引入方法的适用性还需针对一系列医学影像数据类型进行进一步验证研究，但结果表明 BM 检测算法使用 cGANe 生成的合成数据可达到相当的性能。因此，所提方法在多种模态上的推广可能在不久的将来实现。
引用
@article{arxiv.2003.00086,
title = {Constrained Generative Adversarial Network Ensembles for Sharable Synthetic Data Generation},
author = {Engin Dikici and Luciano M. Prevedello and Matthew Bigelow and Richard D. White and Barbaros Selnur Erdal},
journal= {arXiv preprint arXiv:2003.00086},
year = {2020}
}