面向低频类医学图像的由通用到精细GAN
计算机视觉与模式识别
2018-12-06 v1 机器学习
机器学习
摘要
深度学习在医学影像方面具有巨大潜力。然而，由于每种疾病的发病率差异很大，医学图像数据集中各类别的频率不平衡，导致此类低频类的准确率较差。一种可能的解决方案是利用生成对抗网络（GAN）合成图像对低频类进行数据增强，但常规GAN也需要一定数量的图像来学习。为克服该限制，我们提出由通用到精细GAN（GDGAN），其串行连接两个GAN，一个用于通用标签，另一个用于精细标签。GDGAN生成了多样的医学图像，并且用增强数据集训练的网络在受试者工作特征（ROC）曲线的曲线下面积（AUC）方面优于使用现有方法的其它网络。
引用
@article{arxiv.1812.01690,
title = {General-to-Detailed GAN for Infrequent Class Medical Images},
author = {Tatsuki Koga and Naoki Nonaka and Jun Sakuma and Jun Seita},
journal= {arXiv preprint arXiv:1812.01690},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216