利用 GAN 应对 COVID-19 数据稀缺：超越炒作
图像与视频处理
2023-04-10 v1 计算机视觉与模式识别
机器学习
摘要
基于人工智能（AI）的模型可辅助从肺部 CT 扫描和 X 射线图像诊断 COVID-19；然而，这些模型需要大量数据用于训练和验证。许多研究者研究生成对抗网络（GANs）以生成合成肺部 CT 扫描和 X 射线图像，从而提升基于 AI 模型的性能。GAN 类方法生成可靠合成数据的表现究竟如何，尚缺乏充分探究。本工作分析了 43 项已发表的报告 GANs 用于合成数据生成的研究。其中许多研究存在数据偏差、缺乏可重复性，以及缺乏放射科医生或其他领域专家反馈的问题。这些研究的一个普遍问题是源代码不可用，阻碍了可重复性。所纳入的研究报告了对输入图像进行重缩放以训练现有 GANs 架构，却未提供关于重缩放动机的临床见解。最后，尽管基于 GAN 的方法具有数据增强和提升基于 AI 模型训练的潜力，这些方法在临床实践应用方面仍显不足。本文突出了应对数据稀缺问题的研究热点，识别了各类问题及潜力，并给出指导未来研究的建议。这些建议或有助于提升基于 GAN 的数据增强方法的接受度，因为 GAN 用于数据增强在 AI 与医学影像研究界正日益流行。
引用
@article{arxiv.2304.03536,
title = {Leveraging GANs for data scarcity of COVID-19: Beyond the hype},
author = {Hazrat Ali and Christer Gronlund and Zubair Shah},
journal= {arXiv preprint arXiv:2304.03536},
year = {2023}
}
备注
submitted to 2023 CVPR workshop on Generative Models for Computer Vision