面向结直肠组织分类的跨调制少样本图像生成
图像与视频处理
2023-07-06 v2 计算机视觉与模式识别
摘要
本工作中，我们提出一种少样本结直肠组织图像生成方法，以解决罕见癌症组织组织病理学训练数据稀缺的问题。我们的少样本生成方法名为 XM-GAN，以一张基准图像和一对参考组织图像作为输入，生成高质量且多样的图像。在 XM-GAN 中，一种新颖的可控融合模块基于参考图像局部区域与基准图像中区域的相似性进行密集聚合，从而产生局部一致的特征。据我们所知，我们首次研究了结直肠组织图像中的少样本生成。我们通过广泛的定性、定量及学科专家（病理医生）评估来评价我们的少样本结直肠组织图像生成。具体而言，在基于专家的评估中，病理医生仅能在 55% 的情况下区分 XM-GAN 生成的组织图像与真实图像。此外，我们将这些生成图像用作数据增强以应对少样本组织图像分类任务，相较原始少样本分类器在平均准确率上获得了 4.4% 的提升。代码：\url{https://github.com/VIROBO-15/XM-GAN}
引用
@article{arxiv.2304.01992,
title = {Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification},
author = {Amandeep Kumar and Ankan kumar Bhunia and Sanath Narayan and Hisham Cholakkal and Rao Muhammad Anwer and Jorma Laaksonen and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2304.01992},
year = {2023}
}
备注
Early Accept in MICCAI 2023