基于DCGAN生成式合成的糖尿病视网膜病变图像的质量与多样性评估
图像与视频处理
2023-08-31 v3 计算机视觉与模式识别
摘要
公开可用的糖尿病视网膜病变（DR）数据集存在不平衡问题，包含的DR图像数量有限。这种不平衡在训练机器学习分类器时会导致过拟合。随着DR分期严重程度的增加，这种不平衡的影响会加剧，从而影响分类器的诊断能力。可利用生成对抗网络（GAN）通过合成图像来增强数据集，从而解决不平衡问题。若能产生高质量且多样化的图像，则生成合成图像是有利的。为评估合成图像的质量与多样性，采用了多种评估指标，如多尺度结构相似性指数（MS-SSIM）、余弦距离（CD）和Fréchet Inception Distance（FID）。理解各指标在评估基于GAN的合成图像质量与多样性方面的有效性，对于选择增强用图像至关重要。迄今为止，针对这些指标在生物医学图像背景下的适用性分析十分有限。本工作对这些评估指标应用于由深度卷积GAN（DCGAN）生成的合成增生性DR图像进行了实证评估。此外，还研究了这些指标指示合成图像质量与多样性的能力及其与分类器性能的相关性。这使得能够定量选择合成图像并制定知情的增强策略。结果表明，FID适用于评估质量，而MS-SSIM和CD适用于评估合成图像的多样性。此外，增强数据集上卷积神经网络（CNN）和EfficientNet分类器在F1和AUC分数上所表现的优越性能，证明了合成图像用于增强不平衡数据集的有效性。
引用
@article{arxiv.2208.05593,
title = {Evaluating the Quality and Diversity of DCGAN-based Generatively Synthesized Diabetic Retinopathy Imagery},
author = {Cristina-Madalina Dragan and Muhammad Muneeb Saad and Mubashir Husain Rehmani and Ruairi O'Reilly},
journal= {arXiv preprint arXiv:2208.05593},
year = {2023}
}
备注
29 Pages, 8 Figures, submitted to MEDAL23: Advances in Deep Generative Models for Medical Artificial Intelligence (Springer Nature series)