利用生成对抗网络进行医学图像合成以实现数据增强与匿名化
计算机视觉与模式识别
2018-09-17 v2 机器学习
机器学习
摘要
数据多样性在训练深度学习模型时对其成功至关重要。医学影像数据集常常不平衡，因为病理发现通常较为罕见，这给训练深度学习模型带来了显著挑战。在这项工作中，我们提出一种方法，通过使用两个公开可用的脑 MRI 数据集训练生成对抗网络，来生成带有脑肿瘤的合成异常 MRI 图像。我们展示了合成图像提供的两个独特好处。首先，我们通过将合成图像用作一种数据增强形式，说明了在肿瘤分割上性能的提升。其次，我们展示了生成模型作为匿名化工具的价值，在合成数据上训练与在真实受试者数据上训练时取得了相当的肿瘤分割结果。总之，这些结果为医学影像中机器学习面临的两个最大挑战——即病理发现的低发生率，以及围绕患者数据共享的限制——提供了一个潜在的解决方案。
引用
@article{arxiv.1807.10225,
title = {Medical Image Synthesis for Data Augmentation and Anonymization using Generative Adversarial Networks},
author = {Hoo-Chang Shin and Neil A Tenenholtz and Jameson K Rogers and Christopher G Schwarz and Matthew L Senjem and Jeffrey L Gunter and Katherine Andriole and Mark Michalski},
journal= {arXiv preprint arXiv:1807.10225},
year = {2018}
}
备注
Accepted for 2018 Workshop on Simulation and Synthesis in Medical Imaging - SASHIMI2018