深度卷积生成对抗网络用于胸部X光图像数据增强的评估
计算机视觉与模式识别
2021-01-08 v1 人工智能
机器学习
摘要
医学图像数据集通常是不平衡的，原因在于获取数据成本高且标注耗时。在此类数据集上训练深度神经网络模型以准确分类医疗状况无法产生理想结果，且常对多数类样本过拟合。为解决此问题，通常通过位置增强技术（如缩放、裁剪、翻转、填充、旋转、平移、仿射变换）和颜色增强技术（如亮度、对比度、饱和度、色调）对训练数据执行数据增强以增大数据集规模。这些增强技术在数据有限的领域（尤其是医学图像数据）中未必有利，并可能导致进一步过拟合。在本工作中，我们通过生成建模（深度卷积生成对抗网络）对胸部X光数据集进行数据增强，其创建保留与原始数据相似特征的人工实例，模型评估得到的Inception的Fréchet距离（FID）分数为1.289。
引用
@article{arxiv.2009.01181,
title = {Evaluation of Deep Convolutional Generative Adversarial Networks for data augmentation of chest X-ray images},
author = {Sagar Kora Venu},
journal= {arXiv preprint arXiv:2009.01181},
year = {2021}
}
备注
5 pages, 4 figures