基于 GAN 的合成医学图像增强以提升 CNN 在肝脏病灶分类中的性能
计算机视觉与模式识别
2019-01-23 v1 机器学习
机器学习
摘要
深度学习方法，尤其是卷积神经网络（CNN），主要借助大规模标注数据集在广泛计算机视觉任务中取得巨大突破。然而，在医学领域获取此类数据集仍具挑战。本文中，我们提出使用近期提出的深度学习生成对抗网络（GAN）生成合成医学图像的方法。此外，我们展示生成的医学图像可用于合成数据增强，并提升 CNN 在医学图像分类中的性能。我们的新方法在包含 182 个肝脏病灶（53 个囊肿、64 个转移瘤和 65 个血管瘤）的有限计算机断层扫描（CT）图像数据集上演示。我们首先利用 GAN 架构合成高质量肝脏病灶 ROI。随后提出一种基于 CNN 的肝脏病灶分类新方案。最后，我们使用经典数据增强与我们的合成数据增强训练 CNN 并比较性能。此外，我们通过可视化和专家评估探究合成样本的质量。仅使用经典数据增强的分类性能为 78.6% 灵敏度与 88.4% 特异度。加入合成数据增强后结果提升至 85.7% 灵敏度与 92.4% 特异度。我们相信这种合成数据增强方法可推广至其他医学分类应用，从而支持放射科医生改进诊断的努力。
引用
@article{arxiv.1803.01229,
title = {GAN-based Synthetic Medical Image Augmentation for increased CNN Performance in Liver Lesion Classification},
author = {Maayan Frid-Adar and Idit Diamant and Eyal Klang and Michal Amitai and Jacob Goldberger and Hayit Greenspan},
journal= {arXiv preprint arXiv:1803.01229},
year = {2019}
}
备注
Preprint submitted to Neurocomputing