用于无领域限制医学图像增强的生成对抗 U-Net
图像与视频处理
2021-01-14 v1 计算机视觉与模式识别
摘要
标注医学图像的短缺是医学图像计算领域最大的挑战之一。在缺乏足够训练样本的情况下，基于深度学习的模型极易出现过拟合问题。常见的解决方案是图像旋转、裁剪或缩放等图像操作。这些方法随着更多训练样本的引入可帮助缓解过拟合问题。然而，它们并未真正引入带有额外信息的新图像，并且可能因测试集包含与训练集相似的样本而导致数据泄漏。为应对这一挑战，我们提出利用生成对抗网络生成多样化图像。本文提出一种名为生成对抗 U-Net 的新型生成方法，其同时利用了生成对抗网络与 U-Net。与现有方法不同，我们新设计的模型无领域限制，可泛化至各类医学图像。我们在包括计算机断层扫描（CT）、病理、X 射线等八个不同数据集上进行了大量实验。可视化与定量结果表明所提方法在生成大量高质量医学图像方面具有有效性与良好的泛化能力。
引用
@article{arxiv.2101.04793,
title = {Generative Adversarial U-Net for Domain-free Medical Image Augmentation},
author = {Xiaocong Chen and Yun Li and Lina Yao and Ehsan Adeli and Yu Zhang},
journal= {arXiv preprint arXiv:2101.04793},
year = {2021}
}