利用条件生成对抗网络解耦形状与密度用于肝脏病变合成
图像与视频处理
2021-06-02 v1 计算机视觉与模式识别
摘要
随着高效生成模型的兴起，病变合成因扩充训练数据、绘制病变演变场景或辅助专家训练而受到广泛关注。合成数据的质量和多样性高度依赖于用于训练模型的标注数据，这些数据模型往往难以从训练样本中派生出截然不同却真实的样本。这给病变分割算法带来了固有偏差，并限制了高效合成病变演变场景。本文提出一种解耦形状与密度用于肝脏病变合成的方法，创建了一个可直观驱动合成的框架。我们提供了定性结果，展示通过单独修改形状和密度实现的合成控制，以及定量结果，表明在生成器模型中嵌入密度信息相较于仅使用形状有助于提高病变分割性能。
引用
@article{arxiv.2106.00629,
title = {Decoupling Shape and Density for Liver Lesion Synthesis Using Conditional Generative Adversarial Networks},
author = {Dario Augusto Borges Oliveira},
journal= {arXiv preprint arXiv:2106.00629},
year = {2021}
}