medigan：一个用于医学图像合成的预训练生成模型Python库
图像与视频处理
2023-02-24 v2 计算机视觉与模式识别
机器学习
摘要
生成模型合成的数据可增强医学影像中数据饥渴型深度学习模型的性能与能力。然而，（1）可用的（合成）数据集有限，且（2）生成模型训练复杂，这阻碍了它们在研究与临床应用中的采用。为降低此进入壁垒，我们提出medigan，一个作为开源、框架无关的Python库实现的预训练生成模型一站式平台。medigan允许研究人员与开发者仅用几行代码即可创建、扩充其训练数据并进行域适应。基于所收集的终端用户需求的设计决策指导，我们依据生成模型（i）执行、（ii）可视化、（iii）搜索与排序、以及（iv）贡献的模块化组件实现medigan。该库的可扩展性与设计由其不断增长的集成且即用的预训练生成模型数量所展示：包含21个模型，利用9种不同生成对抗网络架构，训练于来自乳腺摄影、内镜、X射线和MRI等4个领域的11个数据集。此外，本文分析了medigan的3项应用，包括（a）实现受限数据的社区级共享、（b）研究生成模型评估指标、以及（c）改进临床下游任务。在（b）中，基于常见医学图像合成评估与报告标准的扩展，我们展示了基于图像归一化与放射学特定特征提取的Fréchet Inception Distance变异性。
引用
@article{arxiv.2209.14472,
title = {medigan: a Python library of pretrained generative models for medical image synthesis},
author = {Richard Osuala and Grzegorz Skorupko and Noussair Lazrak and Lidia Garrucho and Eloy García and Smriti Joshi and Socayna Jouide and Michael Rutherford and Fred Prior and Kaisar Kushibar and Oliver Diaz and Karim Lekadir},
journal= {arXiv preprint arXiv:2209.14472},
year = {2023}
}
备注
32 pages, 7 figures