使用渐进生长生成对抗网络的高分辨率医学图像合成
计算机视觉与模式识别
2018-05-10 v2
摘要
生成对抗网络（GANs）是一类无监督机器学习算法，能够从多维空间中随机采样的向量生成逼真图像。直到最近，使用 GANs 生成高分辨率逼真图像仍不可能，这限制了它们在包含仅能在原始分辨率下检测的生物学标志物的医学图像上的适用性。GANs 的渐进生长是一种方法，其中图像生成器经训练先合成低分辨率合成图像（8x8 像素），随后将其输入判别器，判别器将这些合成图像与真实下采样图像区分开。然后迭代引入额外的卷积层，以两倍于前一步分辨率生成图像，直至达到所需分辨率。在这项工作中，我们证明该方法可在两个不同领域生成逼真医学图像：表现出早产儿视网膜病变（ROP）相关血管病理的眼底照片，以及胶质瘤的多模态磁共振图像。我们还表明，与病理相关的细粒度细节（如视网膜血管或肿瘤异质性）可通过将分割图作为额外通道包含进来而得以保留和增强。我们预想该方法的若干应用，包括图像增强和病理的无监督分类。
引用
@article{arxiv.1805.03144,
title = {High-resolution medical image synthesis using progressively grown generative adversarial networks},
author = {Andrew Beers and James Brown and Ken Chang and J. Peter Campbell and Susan Ostmo and Michael F. Chiang and Jayashree Kalpathy-Cramer},
journal= {arXiv preprint arXiv:1805.03144},
year = {2018}
}