使用 StyleGAN 驱动的数据增强提高 CT 图像分割精度
图像与视频处理
2023-02-08 v1 计算机视觉与模式识别
摘要
医学图像分割是医学图像分析的一个有用应用，包括在 MRI、CT 等成像模态中检测疾病和异常。深度学习已被证明在此任务上很有前景，但由于缺乏适当公开可用的标注或分割医学数据集，通常准确率较低。此外，由于不同的剂量值或扫描仪属性，可用的数据集可能具有与需要分割的图像不同的纹理。本文提出了一种 StyleGAN 驱动的方法，通过使用类似模态中容易获得的极小标注数据集，对公开可用的大型医学数据集进行分割。该方法包括增强小型分割数据集并消除两个数据集之间的纹理差异。数据集通过六个不同的 StyleGAN 进行增强，这些 StyleGAN 是在我们想要分割的大型未标注数据集中选取的六张不同风格图像上训练的。具体而言，使用风格迁移来增强训练数据集。因此，训练数据集的标注与未标注数据集的纹理相结合，生成新的解剖学上合理的图像。然后使用增强后的数据集训练 U-Net 分割网络，该网络在分割大型未标注数据集时显示出分割精度的显著提高。
引用
@article{arxiv.2302.03285,
title = {Improving CT Image Segmentation Accuracy Using StyleGAN Driven Data Augmentation},
author = {Soham Bhosale and Arjun Krishna and Ge Wang and Klaus Mueller},
journal= {arXiv preprint arXiv:2302.03285},
year = {2023}
}
备注
17th International Meeting on Fully Three-Dimensional Image Reconstruction in Radiology and Nuclear Medicine(Fully3D Conference)