用均值教师+迁移学习 GAN 生成逼真 COVID19 X 射线图像
机器学习
2020-09-29 v1 计算机视觉与模式识别
图像与视频处理
摘要
截至 2020 年 8 月，COVID-19 是一种造成全球超过 80 万人死亡的新发传染病。快速检测的需求是高度优先事项，包括 X 射线图像分类在内的替代检测策略是一个有前景的研究领域。然而，目前公开的 COVID19 X 射线图像数据集数据量低，难以开发准确的图像分类器。最近的几篇论文利用生成对抗网络（GANs）来增加训练数据量。但逼真的合成 COVID19 X 射线图像仍难以生成。我们提出一种新颖的均值教师+迁移 GAN（MTT-GAN），可生成高质量的 COVID19 胸部 X 射线图像。为创建更精确的 GAN，我们采用来自 Kaggle 肺炎 X 射线数据集的迁移学习，该数据源与 COVID19 高度相关且规模比公开 COVID19 数据集大数个数量级。此外，我们采用均值教师算法作为约束以改善训练稳定性。我们的定性分析表明，MTT-GAN 生成的 X 射线图像远优于基线 GAN，且在视觉上可与真实 X 射线媲美。尽管获得认证的放射科医生仍能区分 MTT-GAN 伪造图像与真实 COVID19 X 射线。定量分析显示，与基线 GAN 相比，MTT-GAN 大幅提升了二分类 COVID19 分类器以及多类肺炎分类器的准确率。我们的分类准确率优于文献中近期报道的类似二分类和多类 COVID19 筛查任务的结果。
引用
@article{arxiv.2009.12478,
title = {Generating Realistic COVID19 X-rays with a Mean Teacher + Transfer Learning GAN},
author = {Sumeet Menon and Joshua Galita and David Chapman and Aryya Gangopadhyay and Jayalakshmi Mangalagiri and Phuong Nguyen and Yaacov Yesha and Yelena Yesha and Babak Saboury and Michael Morris},
journal= {arXiv preprint arXiv:2009.12478},
year = {2020}
}
备注
10 pages, 11 figures, 2 tables; Submitted to IEEE BigData 2020 conference