用于医学图像合成的 GAN：一项实证研究
图像与视频处理
2021-07-20 v2 计算机视觉与模式识别
机器学习
摘要
生成对抗网络（GANs）已变得愈发强大，能够生成令人惊叹的、模仿其所训练复现的数据集内容的照片级真实感图像。医学成像中的一个反复出现的主题是，GAN 是否能像生成真实 RGB 图像那样有效地生成可用的医学数据。在本文中，我们进行了多 GAN 与多应用的实证研究，以评估 GAN 在医学成像中的益处。我们在三种医学成像模态与器官上测试了从基础 DCGAN 到更复杂的基于风格的 GAN 等多种 GAN 架构，即：心脏电影 MRI、肝脏 CT 与 RGB 视网膜图像。GAN 在知名且被广泛使用的数据集上训练，并据此计算其 FID 分数以衡量所生成图像的视觉清晰度。我们进一步通过测量在该类生成图像上训练的 U-Net 的分割精度来检验其实用性。结果表明，GAN 之间相差甚远，有些不适合医学成像应用，而另一些则表现好得多。表现最优的 GAN 能够按 FID 标准生成看起来真实的医学图像，在视觉图灵测试中可以欺骗训练有素的专家并符合某些度量。然而，分割结果表明，没有任何 GAN 能够复现医学数据集的全部丰富性。
引用
@article{arxiv.2105.05318,
title = {GANs for Medical Image Synthesis: An Empirical Study},
author = {Youssef Skandarani and Pierre-Marc Jodoin and Alain Lalande},
journal= {arXiv preprint arXiv:2105.05318},
year = {2021}
}