DR-GAN：用于糖尿病视网膜病变图像细粒度病灶合成的条件生成对抗网络
图像与视频处理
2020-12-22 v3 计算机视觉与模式识别
摘要
糖尿病视网膜病变（DR）是严重影响眼睛的糖尿病并发症。根据国际协议，它可被分级为五个严重级别。然而，优化一个具有强泛化能力的分级模型需要大量均衡的训练数据，这些数据难以收集，特别是对于高严重级别。典型的包括随机翻转和旋转的数据增强方法无法生成高多样性的数据。本文中，我们提出一种糖尿病视网膜病变生成对抗网络（DR-GAN）来合成高分辨率眼底图像，这些图像可由任意分级与病灶信息操控。因此，大规模生成数据可用于更有意义的增强，以训练DR分级与病灶分割模型。所提出的视网膜生成器以结构与病灶掩码，以及从潜分级空间采样的自适应分级向量为条件，可用来控制合成的分级严重程度。此外，设计了一个多尺度空间与通道注意力模块以提升合成细节的生成能力。设计多尺度判别器从大至小感受野工作，并采用联合对抗损失以端到端方式优化整个网络。在连接Kaggle的EyePACS数据集以及FGADR数据集上的大量实验，我们验证了方法的有效性，其既能合成高度真实的（1280 x 1280）可控眼底图像，又有助于DR分级任务。
引用
@article{arxiv.1912.04670,
title = {DR-GAN: Conditional Generative Adversarial Network for Fine-Grained Lesion Synthesis on Diabetic Retinopathy Images},
author = {Yi Zhou and Boyang Wang and Xiaodong He and Shanshan Cui and Ling Shao},
journal= {arXiv preprint arXiv:1912.04670},
year = {2020}
}
备注
Extension work of our MICCAI paper