MelanoGANs：基于 GAN 的高分辨率皮肤病变合成
计算机视觉与模式识别
2018-04-13 v1
摘要
生成对抗网络（GANs）已成功用于合成逼真的人脸、风景甚至医学图像。遗憾的是，它们通常需要大规模训练数据集，而在医学领域这类数据往往稀缺；据我们所知，GAN 仅被应用于相当低分辨率的医学图像合成。然而，许多最先进的机器学习模型在高分辨率数据上运行，因为此类数据携带不可或缺的有价值信息。在本工作中，我们尝试仅使用 2000 个样本的小规模训练数据集，用 GAN 生成逼真的高分辨率皮肤病变图像。数据的性质使我们能够直接比较生成样本与真实数据集的图像统计特征。我们从定量和定性两方面，将 DCGAN 和 LAPGAN 等最先进的 GAN 架构与后者针对 256x256px 分辨率图像生成任务的改进版本进行比较。我们的研究表明，所有模型都能近似真实数据分布，但在对样本真实感、多样性和伪影进行视觉评分时我们注意到显著差异。在一组皮肤病变分类的用例实验中，我们进一步表明，借助合成的高分辨率黑色素瘤样本，我们可以成功解决严重的类别不平衡问题。
引用
@article{arxiv.1804.04338,
title = {MelanoGANs: High Resolution Skin Lesion Synthesis with GANs},
author = {Christoph Baur and Shadi Albarqouni and Nassir Navab},
journal= {arXiv preprint arXiv:1804.04338},
year = {2018}
}