考察 GAN 替代真实生物医学图像用于分类模型训练的能力
计算机视觉与模式识别
2019-04-19 v1
摘要
在本文中，我们探讨了生成人工生物医学图像的可能性，这些图像可用作应用机器学习任务中真实图像数据集的替代品。我们专注于使用包括 DCGAN 和 PGGAN 在内的两种近期 GAN 架构来生成逼真的胸部 X 光图像以及淋巴结组织学图像。通过使用常规和深度学习方法解决的基准分类任务，考察了使用人工图像代替真实图像来训练机器学习模型的可能性。具体而言，在模型训练阶段用合成图像替换真实图像，并将预测结果与在真实图像数据上训练所得的结果进行比较。研究发现，此类训练数据替换导致的分类准确率下降在深度学习模型中为 2.2% 至 3.5%，在如 LBP + 随机森林等常规方法中为 5.5% 至 13.25%。
引用
@article{arxiv.1904.08688,
title = {Examining the Capability of GANs to Replace Real Biomedical Images in Classification Models Training},
author = {Vassili Kovalev and Siarhei Kazlouski},
journal= {arXiv preprint arXiv:1904.08688},
year = {2019}
}
备注
10 pages, 2 figures, 3 tables