医学影像复杂性及其对生成对抗网络性能的影响
图像与视频处理
2024-10-24 v1 计算机视觉与模式识别
机器学习
摘要
机器学习模型在多样化临床应用中的广泛应用，导致对高保真度医学图像训练数据日益增长的需求。由于成本限制和隐私顾虑，这类数据往往稀缺。为缓解这一困扰，基于现有真实医学图像集生成医学图像的生成对抗网络（GAN）方法应运而生，成为一种强大的手段，能够合成基于已有真实医学图像集的照片般逼真的图像。然而，高效训练此类GAN所需的确切图像集大小尚不明确。本文通过实验建立基准，衡量样本数据集大小与生成图像保真度之间的关系，具体取决于数据集中图像复杂性的分布。我们基于信息论中香农熵的根基，分析基于 delentropy 的图像复杂性度量的统计指标。对于我们的管道，我们在多个样本规模可变的医学影像数据集上，对两种最先进的GAN（StyleGAN 3 和 SPADE-GAN）进行实验。尽管两种GAN的总体性能随训练集大小的增加而提升，但随着复杂性的增加而受到影响。
引用
@article{arxiv.2410.17959,
title = {Medical Imaging Complexity and its Effects on GAN Performance},
author = {William Cagas and Chan Ko and Blake Hsiao and Shryuk Grandhi and Rishi Bhattacharya and Kevin Zhu and Michael Lam},
journal= {arXiv preprint arXiv:2410.17959},
year = {2024}
}
备注
Accepted to ACCV, Workshop on Generative AI for Synthetic Medical Data