基于生成对抗网络的医学 MR 图像数据增强
计算机视觉与模式识别
2021-11-30 v1 机器学习
图像与视频处理
摘要
基于深度学习的计算机辅助诊断（CAD）已成为医疗行业关键的诊断技术，有效提升了诊断准确率。然而，脑肿瘤磁共振（MR）图像数据集的稀缺导致深度学习算法性能低下。传统数据增强（DA）生成的变换图像分布本质上与原始图像相似，导致泛化能力有限。本工作改进带有结构相似性损失函数的渐进式 GAN（PGGAN-SSIM）以解决图像模糊与模型崩溃问题。我们也探索了其他基于 GAN 的数据增强以证明所提模型的有效性。结果显示 PGGAN-SSIM 成功生成了 256x256 逼真的脑肿瘤 MR 图像，填补了原始数据集未覆盖的真实图像分布。此外，PGGAN-SSIM 超越其他基于 GAN 的方法，在弗雷歇 inception 距离（FID）与多尺度结构相似性（MS-SSIM）上取得可观的性能提升。
引用
@article{arxiv.2111.14297,
title = {Data Augmentation For Medical MR Image Using Generative Adversarial Networks},
author = {Panjian Huang and Xu Liu and Yongzhen Huang},
journal= {arXiv preprint arXiv:2111.14297},
year = {2021}
}