用于 X 射线乳腺摄影中真实乳腺肿块增强的 DCGAN
图像与视频处理
2019-09-06 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
乳腺癌的早期检测对可治愈性有重大贡献，而使用乳腺摄影图像可以非侵入性地实现这一点。目前占主导地位的 CADe 工具——有监督深度学习，在计算机视觉的目标检测中发挥了重要作用，但它受限于一个属性：需要大量标注数据。当涉及医学数据集时这一点更为严格，因为其需要高成本且耗时的标注。此外，医学数据集通常是不平衡的，这种状况常阻碍分类器性能。本文旨在学习少数类的分布以合成新样本，从而改善乳腺摄影中的病灶检测。深度卷积生成对抗网络（DCGANs）能高效生成乳腺肿块。它们在某一乳腺摄影数据集的递增大小子集上训练，并用于生成多样且真实的乳腺肿块。在由全卷积网络分类的肿块与正常组织块 1:10 不平衡数据集中，测试了包含生成图像和/或应用水平与垂直翻转的效果。报告称，通过使用 DCGANs 及翻转增强相较仅使用原始图像，F1 分数最大提升约 0.09。我们表明 DCGANs 可用于合成具有可观多样性的照片级真实乳腺肿块块。证明在此环境中附加合成图像连同翻转，优于仅翻转的传统增强方法，并作为训练集大小的函数提供更快的改进。
引用
@article{arxiv.1909.02062,
title = {DCGANs for Realistic Breast Mass Augmentation in X-ray Mammography},
author = {Basel Alyafi and Oliver Diaz and Robert Marti},
journal= {arXiv preprint arXiv:1909.02062},
year = {2019}
}
备注
4 pages, 4 figures, SPIE Medical Imaging 2020 Conference