通过基于配准的自动非配对到伪配对训练数据转换增强生成网络用于胸部异常定位
图像与视频处理
2024-06-18 v3 计算机视觉与模式识别
机器学习
摘要
基于生成对抗网络的图像转换（GAN-IT）是一种颇有前景的方法，可在无像素级标注情况下精确定位胸部 X 光图像中的异常区域（AL-CXR）。然而，异质非配对数据集削弱了现有方法提取关键特征及区分正常与异常病例的能力，导致 AL-CXR 不准确且不稳定。为解决该问题，我们提出一种涉及配准与数据增强的改进两阶段 GAN-IT。第一阶段，我们引入一种先进的基于深度学习的配准技术，通过依次利用基于线性的全局均匀坐标变换与基于 AI 的非线性坐标微调，虚拟且合理地将非配对数据转换为配对数据以学习配准图。该方法在识别整个肺结构的同时，实现肺各细节位置的独立复杂坐标变换，从而以更高配准性能解决非配对条件导致的固有伪影。第二阶段，我们在均匀配准帧上通过交换左右肺区进行数据增强以多样化异常位置，并通过缓解左右肺病变数据分布的不平衡进一步提升性能。所提方法模型无关，并在代表性 AI 模型中显示出一致的 AL-CXR 性能提升。因此，我们相信即便学习数据稀缺或难以进行像素级疾病标注，GAN-IT 用于 AL-CXR 也可借助我们的基础框架在临床中落地。
引用
@article{arxiv.2207.10324,
title = {Enhancing Generative Networks for Chest Anomaly Localization through Automatic Registration-Based Unpaired-to-Pseudo-Paired Training Data Translation},
author = {Kyungsu Kim and Seong Je Oh and Chae Yeon Lim and Ju Hwan Lee and Tae Uk Kim and Myung Jin Chung},
journal= {arXiv preprint arXiv:2207.10324},
year = {2024}
}