基于特征生成的体医学图像数据增强
图像与视频处理
2022-09-29 v1 计算机视觉与模式识别
机器学习
摘要
医学图像分类是图像识别领域最关键的问题之一。该领域的主要挑战之一是标注训练数据的匮乏。此外，数据集中常存在类别不平衡，因为某些病例极为罕见。因此，分类任务的准确率通常较低。尤其是深度学习模型在图像分割与分类问题上展现出有前景的结果，但它们需要非常大规模的数据集进行训练。因此，需要从同一分布中生成更多合成样本。先前工作表明，特征生成比相应的图像生成更高效且带来更好的性能。我们将这一思路应用于医学影像领域。我们使用迁移学习为具有金标准类别标注的小数据集训练分割模型。我们提取所学特征，并使用 Auxiliary Classifier GAN (ACGAN) 以类别标签为条件生成合成特征。我们依据严重程度在脑肿瘤的下游分类任务中测试所生成特征的质量。实验结果显示，这些生成特征的有效性及其对平衡数据和提升分类逐类准确率的整体贡献方面取得了有前景的结果。
引用
@article{arxiv.2209.14097,
title = {Data Augmentation using Feature Generation for Volumetric Medical Images},
author = {Khushboo Mehra and Hassan Soliman and Soumya Ranjan Sahoo},
journal= {arXiv preprint arXiv:2209.14097},
year = {2022}
}
备注
8 pages, 11 figures