以少博多：基于 GAN 的医学图像增广
计算机视觉与模式识别
2019-05-30 v3 人工智能
摘要
基于卷积神经网络（CNN）的准确预测通常需要大规模标注训练数据。然而在医学影像中，获取医学数据并由专家医师进行标注均具挑战性；为克服数据匮乏，使用生成对抗网络（GANs）的数据增广（DA）至关重要，因其可合成额外的标注训练数据，以应对来自不同扫描仪的小样本与碎片化医学图像——这些生成的图像逼真却完全新颖，可进一步填补原始数据集未覆盖的真实图像分布。作为教程，本文介绍基于 GAN 的医学图像增广，并基于我们的经验与相关工作给出利用它们提升分类/目标检测/分割性能的诀窍。此外，我们展示了首项基于 GAN 的 DA 工作，其使用自动边界框标注，用于在 256 x 256 MR 图像上基于 CNN 进行鲁棒的脑转移瘤检测；即便在边界框高度粗糙且不一致的情况下，基于 GAN 的 DA 仍能以临床可接受的额外假阳性数量将诊断灵敏度提升 10%。
引用
@article{arxiv.1904.00838,
title = {Learning More with Less: GAN-based Medical Image Augmentation},
author = {Changhee Han and Kohei Murao and Shin'ichi Satoh and Hideki Nakayama},
journal= {arXiv preprint arXiv:1904.00838},
year = {2019}
}
备注
6 pages, 2 figures, to appear in MEDICAL IMAGING TECHNOLOGY Special Issue