GAN增强：利用生成对抗网络扩充训练数据
计算机视觉与模式识别
2018-10-26 v1
摘要
医学影像中应用机器学习所面临的最大问题之一，是缺乏大规模带标注的数据集。医学图像的标注不仅昂贵且耗时，而且高度依赖于专家观察者的可用性。有限的训练数据量会抑制监督式机器学习算法的性能，这类算法通常需要非常大量的训练数据以避免过拟合。迄今为止，许多努力都指向从现有数据中提取尽可能多的信息。生成对抗网络（GANs）提供了一种新颖的方式，通过生成具有真实图像外观的合成样本，从数据集中释放额外信息。本文证明了在两个脑分割任务中，将GAN生成的合成数据引入训练数据集的可行性，在不同条件下使Dice相似系数（DSC）提升了1至5个百分点，且在可用训练图像栈少于十组时效果最为显著。
引用
@article{arxiv.1810.10863,
title = {GAN Augmentation: Augmenting Training Data using Generative Adversarial Networks},
author = {Christopher Bowles and Liang Chen and Ricardo Guerrero and Paul Bentley and Roger Gunn and Alexander Hammers and David Alexander Dickie and Maria Valdés Hernández and Joanna Wardlaw and Daniel Rueckert},
journal= {arXiv preprint arXiv:1810.10863},
year = {2018}
}