GSDA：基于生成对抗网络的半监督数据增强用于超声图像分类
图像与视频处理
2023-10-06 v4 计算机视觉与模式识别
摘要
医学超声（US）是临床实践中应用最广泛的成像方式之一，但其使用面临着成像质量多变等独特挑战。深度学习（DL）模型可作为先进的医学超声图像分析工具，但其性能受限于大规模数据集的匮乏。为解决普遍的数据短缺问题，我们开发了 GSDA，一种基于生成对抗网络（GAN）的半监督数据增强方法。GSDA 由 GAN 和卷积神经网络（CNN）组成。GAN 合成并伪标注高分辨率、高质量的超声图像，随后真实图像与合成图像均被用于训练 CNN。为应对有限数据下 GAN 与 CNN 的训练难题，我们在训练过程中采用迁移学习技术。我们还引入了一种平衡分类精度与计算时间的新型评估标准。我们在 BUSI 数据集上评估了我们的方法，GSDA 优于现有的最先进方法。借助合成的高分辨率、高质量图像，GSDA 仅使用 780 张图像便达到了 97.9% 的准确率。鉴于这些有前景的结果，我们认为 GSDA 有潜力作为医学超声分析的辅助工具。
引用
@article{arxiv.2203.06184,
title = {GSDA: Generative Adversarial Network-based Semi-Supervised Data Augmentation for Ultrasound Image Classification},
author = {Zhaoshan Liu and Qiujie Lv and Chau Hung Lee and Lei Shen},
journal= {arXiv preprint arXiv:2203.06184},
year = {2023}
}
备注
Heliyon Accepted