用于骨病变病理学数据增强的生成式图像翻译
机器学习
2019-02-07 v1 计算机视觉与模式识别
机器学习
摘要
训练数据不足与严重的类别不平衡常常是开发用于罕见病分类的机器学习模型的限制因素。在这项工作中，我们通过增加训练集中正样本的小数量，来解决从 X 射线图像分类骨病变的问题。我们提出一种基于循环一致生成对抗网络（cycle-consistent generative adversarial network）的生成式数据增强方法，在无病理图像上合成骨病变。我们将生成任务视为图像块翻译问题，并针对特定骨骼（肱骨、胫骨、股骨）进行优化。在实验结果中，我们确认所述方法缓解了骨病变检测的二分类任务中的类别不平衡问题。我们表明增强训练集能够训练出在保留测试集上取得更好性能的更优分类器。此外，我们展示了迁移学习的可行性，并将在一个身体部位上训练的生成模型应用于另一部位。
引用
@article{arxiv.1902.02248,
title = {Generative Image Translation for Data Augmentation of Bone Lesion Pathology},
author = {Anant Gupta and Srivas Venkatesh and Sumit Chopra and Christian Ledig},
journal= {arXiv preprint arXiv:1902.02248},
year = {2019}
}