基于粗到细生成对抗网络学习用于脑肿瘤分割的数据增强
计算机视觉与模式识别
2019-12-11 v2
摘要
人们普遍认为，深度神经网络的成功训练需要大量带标注的训练样本，而这些样本通常昂贵且难以获取，尤其在生物医学成像领域。尽管研究者常可利用数据增强来扩充训练集规模，但在实践中，使用传统数据增强技术构建并生成能够教会网络所需不变性与鲁棒性属性的通用增强数据是具有挑战性的。本文提出一种新颖的自动数据增强方法，利用生成对抗网络学习增强方式，使基于机器学习的方法能更高效地学习可用的标注样本。该架构由一个粗到细的生成器组成，以捕捉训练集的流形并生成通用增强数据。在实验中，我们在磁共振成像（MRI）图像上展示了方法的有效性，相较于传统增强方法，在 BRATS15 挑战数据集上 Dice 系数提升了 3.5%。此外，我们提出的方法成功地将一个常见分割网络提升至在 BRATS15 挑战上达到最先进（state-of-the-art）性能。
引用
@article{arxiv.1805.11291,
title = {Learning Data Augmentation for Brain Tumor Segmentation with Coarse-to-Fine Generative Adversarial Networks},
author = {Tony C. W Mok and Albert C. S Chung},
journal= {arXiv preprint arXiv:1805.11291},
year = {2019}
}