数据合成与对抗网络：癌症影像中的综述与元分析
图像与视频处理
2022-11-29 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
尽管技术与医学不断进步，基于影像数据的癌症检测、判读与治疗仍面临重大挑战。这些挑战包括观察者间变异性、类别不平衡、数据集偏移、肿瘤间与肿瘤内异质性、良恶性判定以及治疗效果不确定性。鉴于生成对抗网络（GANs）数据合成与对抗训练的最新进展，我们评估了这些技术解决癌症影像若干关键挑战的潜力。我们将这些挑战归类为 (a) 数据稀缺与不平衡，(b) 数据获取与隐私，(c) 数据标注与分割，(d) 癌症检测与诊断，以及 (e) 肿瘤分析、治疗规划与监测。基于对 164 篇在癌症影像背景下应用对抗训练技术的文献的分析，我们指出了多个研究潜力尚未充分挖掘的解决方案。我们进一步提出了合成研究可信度测试（SynTRUST），一种用于评估医学图像合成研究验证严谨性的元分析框架。SynTRUST 基于 26 项关于全面性、可复现性、有用性、可扩展性与可维持性的具体度量。基于 SynTRUST，我们分析了 16 个最具前景的癌症影像挑战解决方案，观察到总体验证严谨性较高，但也存在若干值得改进的方面。通过本工作，我们力求弥合临床癌症影像学界的需求与人工智能界当前及未来关于数据合成与对抗网络研究之间的鸿沟。
引用
@article{arxiv.2107.09543,
title = {Data synthesis and adversarial networks: A review and meta-analysis in cancer imaging},
author = {Richard Osuala and Kaisar Kushibar and Lidia Garrucho and Akis Linardos and Zuzanna Szafranowska and Stefan Klein and Ben Glocker and Oliver Diaz and Karim Lekadir},
journal= {arXiv preprint arXiv:2107.09543},
year = {2022}
}
备注
v2, 51 pages, 15 Figures, 9 Tables, accepted for publication in Medical Image Analysis