基于变分自编码器的生成式主动学习用于兽医学放射数据生成
图像与视频处理
2024-03-07 v1 计算机视觉与模式识别
机器学习
摘要
近年来，随着对宠物医疗保健关注度的提升，兽医学中对计算机辅助诊断（CAD）系统的需求日益增长。由于缺乏足够的放射学数据，兽医 CAD 的发展陷入停滞。为克服这一挑战，我们提出了一种基于变分自编码器的生成式主动学习框架。该方法旨在缓解兽医学 CAD 系统可靠数据稀缺的问题。本研究利用了包含心脏肥大放射图像的数据集。在去除标注并标准化图像后，我们采用了一个由数据生成阶段和用于筛选生成数据的查询阶段组成的数据增强框架。实验结果表明，随着通过该框架生成的数据被添加到生成模型的训练数据中，放射图像上的 Fréchet Inception Distance 持续从 84.14 下降至 50.75。随后，当将生成的数据纳入分类模型的训练时，放射图像上的混淆矩阵假阳性率也从 0.16 改善至 0.66。所提出的框架有望解决医疗 CAD 中的数据稀缺挑战，从而推动其发展。
引用
@article{arxiv.2403.03642,
title = {Generative Active Learning with Variational Autoencoder for Radiology Data Generation in Veterinary Medicine},
author = {In-Gyu Lee and Jun-Young Oh and Hee-Jung Yu and Jae-Hwan Kim and Ki-Dong Eom and Ji-Hoon Jeong},
journal= {arXiv preprint arXiv:2403.03642},
year = {2024}
}