如何用生成对抗网络愚弄放射科医生？用于肺癌诊断的视觉图灵测试
计算机视觉与模式识别
2018-10-15 v2 人工智能
机器学习
定量方法
摘要
将肺结节区分为恶性或良性仍是一项根本挑战。为应对此挑战，放射科医生需要计算机辅助诊断（CAD）系统，以协助学习对应于恶性和良性结节的判别性影像特征。然而，学习高度判别性的影像特征是一个开放问题。本文中，我们的目标是通过对抗学习方法学习关于肺结节最具判别性的特征。具体而言，我们提出使用深度卷积生成对抗网络（DC-GANs）的无监督学习来真实地生成肺结节样本。我们假设，若影像特征难以将生成的（假）结节与真实（真）结节区分开来，则这些肺结节的影像特征具有判别性。为验证该假设，我们向两位放射科医生呈现视觉图灵测试，以评估所生成（假）结节的质量。我们在辨别真实、生成、良性和恶性结节方面进行了广泛比较。该实验设置使我们能够验证所生成结节的整体质量，其随后可用于（1）通过挖掘高度判别性影像特征改进诊断决策，（2）出于教育目的训练放射科医生，以及（3）生成真实样本以用大数据训练深度网络。
引用
@article{arxiv.1710.09762,
title = {How to Fool Radiologists with Generative Adversarial Networks? A Visual Turing Test for Lung Cancer Diagnosis},
author = {Maria J. M. Chuquicusma and Sarfaraz Hussein and Jeremy Burt and Ulas Bagci},
journal= {arXiv preprint arXiv:1710.09762},
year = {2018}
}
备注
Accepted for publication in IEEE International Symposium on Biomedical Imaging (ISBI) 2018