用于数据增强的生成对抗网络
人工智能
2023-06-09 v2
摘要
在医疗领域扩展可用于训练AI模型的数据集的一种途径是使用生成对抗网络（GANs）进行数据增强。GANs通过采用生成器网络创建新的数据样本，再由判别器网络评估其与真实样本的相似度来工作。判别器网络被训练以区分真实与合成样本，而生成器系统被训练以生成与真实数据极为相似的数据。该过程不断重复，直到生成器网络能产生与真实数据无法区分的合成数据。GANs已用于医学图像分析的各种任务，包括数据增强、图像生成和域适应。它们可生成合成样本以扩充可用数据集，尤其在难以或不道德地获取大量真实数据的情况下。然而，必须注意，GANs在医学影像中的使用仍属活跃研究领域，需确保生成图像质量高且适用于临床环境。
引用
@article{arxiv.2306.02019,
title = {Generative Adversarial Networks for Data Augmentation},
author = {Angona Biswas and MD Abdullah Al Nasim and Al Imran and Anika Tabassum Sejuty and Fabliha Fairooz and Sai Puppala and Sajedul Talukder},
journal= {arXiv preprint arXiv:2306.02019},
year = {2023}
}
备注
13 pages, 6 figures, 1 table; Acceptance of the chapter for the Springer book "Data-driven approaches to medical imaging"