GeMix：基于条件GAN的混合增强以提升医学图像
计算机视觉与模式识别
2025-09-26 v2 人工智能
机器学习
摘要
混合策略已成为图像分类中流行的增强方法，但其粗糙的像素级插值常产生不真实的图像，尤其在高风险的医疗应用中可能阻碍学习。我们提出 GeMix，一个两阶段框架，用受监督的生成式对抗网络取代启发式混合，实现标签感知的插值。首先，在目标数据集上训练 StyleGAN2-ADA 生成器。在增强期间，我们从 Dirichlet 先验中抽取两个标签向量（偏向不同类别），并通过 Beta 分布系数进行混合。随后，对生成器进行条件控制，以合成沿连续类别流形的视觉连贯图像。我们在大型 COVIDx-CT-3 数据集上对 GeMix 进行基准测试，使用三个 backbone (ResNet-50、ResNet-101、EfficientNet-B0)。结合真实数据后，我们的方法在所有 backbone 上均以传统 mixup 提高宏平均 F1 分数，降低了 COVID-19 检测的假阴性率。GeMix 因此成为像素空间 mixup 的即插即用替代方案，提供更强的正则化和更大的语义保真度，而不干扰现有训练管道。我们公开发布代码于 https://github.com/hugocarlesso/GeMix 以促进可重复性和进一步研究。
引用
@article{arxiv.2507.15577,
title = {GeMix: Conditional GAN-Based Mixup for Improved Medical Image Augmentation},
author = {Hugo Carlesso and Maria Eliza Patulea and Moncef Garouani and Radu Tudor Ionescu and Josiane Mothe},
journal= {arXiv preprint arXiv:2507.15577},
year = {2025}
}
备注
Accepted at CBMI 2025