以少学多：基于条件 PGGAN 的数据增强用于 MR 图像上利用高度粗糙标注的脑转移瘤检测
计算机视觉与模式识别
2019-08-23 v5 机器学习
摘要
准确的计算机辅助诊断配合恰当的数据整理，可降低临床环境中漏诊的风险。为此，作为一种数据增强（DA）技术，生成对抗网络（GANs）能够合成额外的训练数据，以应对从不同扫描仪收集到的小型/碎片化医学影像数据集；这些图像逼真但与原始图像完全不同，填补了真实图像分布中的数据缺失。然而，考虑到专科医师标注成本高昂，我们无法轻易利用它们定位病灶区域。因此，本文提出条件渐进增长 GAN（CPGGANs），将高度粗糙的边界框条件逐步融入 PGGANs，以在 256×256 磁共振（MR）图像上按期望位置/大小放置脑转移瘤，用于基于卷积神经网络的肿瘤检测；这种首个使用自动边界框标注的基于 GAN 的医学 DA 提升了训练鲁棒性。结果表明，基于 CPGGAN 的 DA 可在临床可接受的额外假阳性下将诊断灵敏度提升 10%。令人惊讶的是，通过使用额外正常脑 MR 图像训练 CPGGAN 所实现的更高肿瘤真实感，并未有助于检测性能，而在视觉图灵测试中即便三位医师也无法将其与真实图像准确区分。
引用
@article{arxiv.1902.09856,
title = {Learning More with Less: Conditional PGGAN-based Data Augmentation for Brain Metastases Detection Using Highly-Rough Annotation on MR Images},
author = {Changhee Han and Kohei Murao and Tomoyuki Noguchi and Yusuke Kawata and Fumiya Uchiyama and Leonardo Rundo and Hideki Nakayama and Shin'ichi Satoh},
journal= {arXiv preprint arXiv:1902.09856},
year = {2019}
}
备注
9 pages, 7 figures, accepted to CIKM 2019 (acceptance rate: 19%)