面向医学图像的生成对抗网络（MI-GAN）
机器学习
2019-04-03 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
深度学习算法在不同机器学习和计算机视觉任务上取得了最先进的结果。为在给定任务上表现良好，这些算法需要大规模训练数据集。然而，深度学习算法缺乏泛化能力，且在小数据集上训练时易过拟合，尤其在处理医学图像时。对于医学成像中的监督图像分析，获取带有相应标注真值（ground-truth）的图像数据成本高且耗时，因为数据标注由医学专家手动完成。本文提出一种面向医学成像的生成对抗网络（MI-GAN）。MI-GAN 生成合成医学图像及其分割掩码，可用于医学图像监督分析。特别地，我们提出用于视网膜图像合成的 MI-GAN。所提方法生成的精确分割图像优于现有技术。所提模型在 STARE 数据集上达到 0.837 的 dice 系数，在 DRIVE 数据集上达到 0.832，在两个数据集上均为最先进（state-of-the-art）性能。
引用
@article{arxiv.1810.00551,
title = {Generative Adversarial Network for Medical Images (MI-GAN)},
author = {Talha Iqbal and Hazrat Ali},
journal= {arXiv preprint arXiv:1810.00551},
year = {2019}
}
备注
Journal of Medical Systems