面向生成对抗网络的GANetic损失函数及其在医学应用中的聚焦
计算机视觉与模式识别
2024-06-10 v1
摘要
生成对抗网络（GAN）是用于估计给定数据集底层统计结构的机器学习模型，因此可用于图像生成或异常检测等多种任务。尽管其初始简单性，设计有效的损失函数来训练GAN仍然具有挑战性，并且已经提出了各种损失函数，旨在提高生成模型的性能和稳定性。在本研究中，GAN的损失函数设计被表述为一个使用遗传编程（GP）方法求解的优化问题。初步实验使用小型深度卷积GAN（DCGAN）模型和MNIST数据集进行，以实验性地搜索改进的损失函数。在CIFAR10上评估了找到的函数，其中最佳函数命名为GANetic损失，与GAN训练常用的损失相比，表现出异常更好的性能和稳定性。为了进一步评估其在更具挑战性问题上的通用适用性，将GANetic损失应用于两个医学应用：图像生成和异常检测。使用组织病理学、胃肠道或青光眼图像进行实验，以评估GANetic损失在医学图像生成中的效果，与基线模型相比，图像质量有所提高。用于息肉和青光眼图像的GANetic损失在异常检测方面表现出显著改进。总之，GANetic损失函数在多个数据集和应用上进行了评估，始终优于替代损失函数。此外，GANetic损失导致稳定的训练和可重复的结果，这是GAN已知的弱点。
引用
@article{arxiv.2406.05023,
title = {GANetic Loss for Generative Adversarial Networks with a Focus on Medical Applications},
author = {Shakhnaz Akhmedova and Nils Körber},
journal= {arXiv preprint arXiv:2406.05023},
year = {2024}
}