MammoGANesis：用于放射学教育的高分辨率乳腺 X 线摄影图像可控生成
图像与视频处理
2020-10-26 v1 计算机视觉与模式识别
机器学习
摘要
在培训阶段，放射科受训医师每月需解读数百张乳腺 X 线摄影图像，以期熟练辨别区分良恶性病变的细微模式。遗憾的是，医疗法律与技术障碍使得获取和查询用于训练的医学图像十分困难。在本文中，我们训练了一个生成对抗网络（GAN）来合成 512 x 512 高分辨率乳腺 X 线摄影图像。所得模型实现了高层特征（例如标准乳腺摄影视图和乳腺病变性质）的无监督分离，并在生成图像中具有随机变化（例如乳腺脂肪组织、钙化），从而支持用户对合成图像进行全局和局部的属性编辑。我们通过在四项专家乳腺摄影放射科医师参与的盲法研究中取得平均 AUC 0.54（用于区分生成图像与真实图像）证明了该模型生成解剖学与医学上相关图像的能力，这归因于合成与编辑后乳腺 X 线图像的高视觉质量，以及它们在推进和促进医学教育方面的潜在用途。
引用
@article{arxiv.2010.05177,
title = {MammoGANesis: Controlled Generation of High-Resolution Mammograms for Radiology Education},
author = {Cyril Zakka and Ghida Saheb and Elie Najem and Ghina Berjawi},
journal= {arXiv preprint arXiv:2010.05177},
year = {2020}
}