利用堆叠生成对抗网络与迁移学习增强 CT 图像以改善病灶分割
计算机视觉与模式识别
2018-07-20 v1
摘要
从计算机断层扫描(CT)中自动分割病灶是医学图像分析中一项重要且具有挑战性的任务。尽管已取得诸多进展,仍有持续改进的空间。一个障碍是 CT 图像可能表现出高噪声和低对比度,尤其在较低剂量下。为此,我们专注于一种使用堆叠生成对抗网络(SGAN)方法的 CT 图像预处理方法。第一个 GAN 降低 CT 图像中的噪声,第二个 GAN 生成具有增强边界和高对比度的更高分辨率图像。为弥补高质量 CT 图像的缺失,我们详述了如何合成大量低质量和高质量自然图像,并利用迁移学习配合逐步增多的 CT 图像。我们将经典的 GrabCut 方法和现代的 holistically nested network (HNN) 应用于病灶分割,测试 SGAN 是否能带来改进的病灶分割。在 DeepLesion 数据集上的实验结果表明,仅 SGAN 增强就能使 GrabCut 性能超越在原始图像上训练的 HNN。我们还证明,HNN + SGAN 相较于其他四种增强方法(包括仅使用单个 GAN 时)表现最佳。
引用
@article{arxiv.1807.07144,
title = {CT Image Enhancement Using Stacked Generative Adversarial Networks and Transfer Learning for Lesion Segmentation Improvement},
author = {Youbao Tang and Jinzheng Cai and Le Lu and Adam P. Harrison and Ke Yan and Jing Xiao and Lin Yang and Ronald M. Summers},
journal= {arXiv preprint arXiv:1807.07144},
year = {2018}
}
备注
Accepted by MLMI 2018