评估 StyleGAN2-ADA 在医学图像上的性能
摘要
尽管生成对抗网络 (GANs) 在医学成像中已显示出前景，但它们有四个主要局限阻碍了其实用性：计算成本、数据需求、可靠的评估指标以及训练复杂性。我们的工作在将 StyleGAN2-ADA 新颖地应用于高分辨率医学成像数据集时研究了上述每个障碍。我们的数据集由来自非增强和增强计算机断层扫描 (CT) 的含肝脏轴位切片组成。此外，我们利用了由多种成像模态组成的四个公共数据集。我们训练了一个采用迁移学习（来自 Flickr-Faces-HQ 数据集）和数据增强（水平翻转与自适应判别器增强）的 StyleGAN2 网络。该网络的生成质量通过 Fréchet Inception Distance (FID) 进行定量测量，并通过交由七名放射科医生和放射肿瘤科医生进行的视觉图灵测试进行定性测量。StyleGAN2-ADA 网络在我们的肝脏 CT 数据集上取得了 5.22 ( 0.17) 的 FID。它还在公开可用的 SLIVER07、ChestX-ray14、ACDC 和 Medical Segmentation Decathlon（脑肿瘤）数据集上创下了 10.78、3.52、21.17 和 5.39 的新纪录 FID。在视觉图灵测试中，临床医生将生成图像评为真实图像的比例为 42%，接近随机猜测。我们的计算消融研究表明，迁移学习和数据增强稳定了训练并改善了生成图像的感知质量。我们观察到 FID 与医学图像的人类感知评估相一致。最后，我们的工作发现 StyleGAN2-ADA 无需超参数搜索或重新训练即可稳定地产生高质量结果。
引用
@article{arxiv.2210.03786,
title = {Evaluating the Performance of StyleGAN2-ADA on Medical Images},
author = {McKell Woodland and John Wood and Brian M. Anderson and Suprateek Kundu and Ethan Lin and Eugene Koay and Bruno Odisio and Caroline Chung and Hyunseon Christine Kang and Aradhana M. Venkatesan and Sireesha Yedururi and Brian De and Yuan-Mao Lin and Ankit B. Patel and Kristy K. Brock},
journal= {arXiv preprint arXiv:2210.03786},
year = {2022}
}
备注
This preprint has not undergone post-submission improvements or corrections. The Version of Record of this contribution is published in LNCS, volume 13570, and is available online at https://doi.org/10.1007/978-3-031-16980-9_14