CosSIF：基于余弦相似度的图像滤波以克服合成医学图像数据集中的低类间差异
计算机视觉与模式识别
2024-03-19 v2
摘要
为医学图像分析构建有效的深度学习模型是一项复杂任务，尤其在医学图像数据集缺乏显著类间差异的情况下。当使用此类数据集通过生成对抗网络（GANs）生成合成图像时，这一挑战进一步加剧，因为 GAN 的输出严重依赖于输入数据。在本研究中，我们提出一种称为基于余弦相似度的图像滤波（Cosine Similarity-based Image Filtering, CosSIF）的新颖滤波算法。我们利用 CosSIF 开发了两种不同的滤波方法：GAN 训练前滤波（Filtering Before GAN Training, FBGT）与 GAN 训练后滤波（Filtering After GAN Training, FAGT）。FBGT 涉及在将真实图像用作 GAN 训练数据集之前，移除与其他类别图像相似的图像。另一方面，FAGT 侧重于剔除与用于训练 GAN 的真实图像相比判别特征较少的合成图像。实验结果表明，将 FAGT 或 FBGT 方法与现代 transformer 和基于卷积的网络结合使用，可在各项评估指标上带来显著的性能提升。在 ISIC-2016 数据集上，FAGT 实现在灵敏度上超越基线方法 1.59%、AUC 上超越 1.88%。此外，对于 HAM10000 数据集，应用 FABT 在召回率上优于基线方法 13.75%，且仅采用 FAGT 即达到了 94.44% 的最高准确率。
引用
@article{arxiv.2307.13842,
title = {CosSIF: Cosine similarity-based image filtering to overcome low inter-class variation in synthetic medical image datasets},
author = {Mominul Islam and Hasib Zunair and Nabeel Mohammed},
journal= {arXiv preprint arXiv:2307.13842},
year = {2024}
}
备注
18 pages, 20 figures