GAN-GA：一种基于遗传算法的医学图像生成生成模型
图像与视频处理
2024-01-02 v1 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
医学影像是诊断和治疗疾病的重要工具。然而，医学图像的缺乏可能导致诊断不准确和治疗无效。生成模型能够从现有数据集中生成新数据并检测其中的异常，为解决医学图像短缺问题提供了有前景的方案。在数据稀缺的领域（如医学图像数据），使用缩放、裁剪、翻转、填充、旋转和平移等位置增强方法进行数据增强可能导致更严重的过拟合。本文提出了 GAN-GA，一种通过嵌入遗传算法进行优化的生成模型。该模型在保持独特特征的同时，增强了图像的逼真度和多样性。所提出的医学图像合成方法提高了医学图像的质量和逼真度，这是图像解释的关键方面。为评估合成图像，我们使用了 Fréchet Inception Distance (FID)。提出的 GAN-GA 模型通过生成急性淋巴细胞白血病 (ALL) 医学图像数据集进行了测试，这是首次将该数据集用于生成模型。我们将结果与作为基线模型的 InfoGAN 进行了比较。实验结果表明，所优化的 GAN-GA 模型将 FID 分数提高了约 6.8%，尤其是在训练的早期阶段。源代码和数据集将在以下地址提供：https://github.com/Mustafa-AbdulRazek/InfoGAN-GA。
引用
@article{arxiv.2401.00314,
title = {GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image Generation},
author = {M. AbdulRazek and G. Khoriba and M. Belal},
journal= {arXiv preprint arXiv:2401.00314},
year = {2024}
}
备注
10 pages, 2 figures. Abstract published in Frontiers in Medical Technology, presented at the 27th Conference on Medical Image Understanding and Analysis 2023. DOI: 10.3389/978-2-8325-1231-9. URL: https://doi.org/10.3389/978-2-8325-1231-9