利用生成对抗网络生成高度逼真的皮肤病变图像
计算机视觉与模式识别
2018-09-07 v2 图像与视频处理
摘要
与许多其他机器学习驱动的医学图像分析任务一样，皮肤图像分析长期面临标记数据匮乏和类别分布偏斜的问题，这给训练鲁棒且泛化良好的模型带来了困难。合成逼真的皮肤病变图像的能力可以缓解上述问题。生成对抗网络（GAN）已被成功用于合成逼真的医学图像，但仅限于低分辨率，而用于皮肤病变分割或分类等挑战性任务的机器学习模型则受益于更高分辨率的数据。在这项工作中，我们成功利用GAN在高分辨率下合成逼真的皮肤病变图像。为此，我们采用了渐进式增长的概念，并将其与DCGAN和LAPGAN等其他GAN架构进行了定量和定性比较。我们的结果表明，借助渐进式增长，我们可以合成高度逼真的皮肤镜图像，即使是经验丰富的皮肤科医生也难以将其与真实图像区分开来。
引用
@article{arxiv.1809.01410,
title = {Generating Highly Realistic Images of Skin Lesions with GANs},
author = {Christoph Baur and Shadi Albarqouni and Nassir Navab},
journal= {arXiv preprint arXiv:1809.01410},
year = {2018}
}
备注
Accepted at the MICCAI 2018 ISIC Skin Lesion Workshop