基于生成对抗网络的合成学习及用于脊柱 X 线的新颖域相关损失项
图像与视频处理
2022-05-09 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
问题：医学中深度学习模型训练缺乏大数据，表现为数据收集的时间成本与隐私问题。生成对抗网络（GAN）既提供了生成新数据的潜力，也提供了在不包含患者真实数据的情况下将该新生成数据用于下游应用的可能。方法：训练并应用一系列 GAN 用于下游计算机视觉脊柱 X 线异常分类任务。分别训练了可访问与不可访问原始影像的分类器。训练的 GAN 包括带自适应判别器增强的条件 StyleGAN2、按病变类型生成脊柱 X 线的带自适应判别器增强的条件 StyleGAN2，以及使用新颖临床损失项作为生成器的带自适应判别器增强且按异常条件生成的 StyleGAN2（SpineGAN）。最后，训练了带差分隐私约束的按异常条件生成的带自适应判别器增强 StyleGAN2，并对其差分隐私约束进行了消融研究。主要结果：我们通过文献综述首次实现了无需有意义输入即可生成合成脊柱 X 线。我们进一步证明了合成学习在脊柱领域下游临床分类任务中的成功（使用合成数据的 AUC 为 0.830，使用真实数据为 0.886）。重要的是，引入生成器的新临床损失项被发现可提升生成召回率并加速模型训练。最后，我们证明在有限规模医学数据集中，差分隐私约束严重阻碍 GAN 训练，且这具体源于用噪声进行梯度扰动的 requirement。
引用
@article{arxiv.2205.02843,
title = {Generative Adversarial Network Based Synthetic Learning and a Novel Domain Relevant Loss Term for Spine Radiographs},
author = {Ethan Schonfeld and Anand Veeravagu},
journal= {arXiv preprint arXiv:2205.02843},
year = {2022}
}