用于处理不平衡临床数据的多任务生成对抗网络
计算机视觉与模式识别
2018-11-28 v1
摘要
我们提出一种新的生成对抗架构，以缓解医学图像语义分割任务中的不平衡数据问题，其中大多数像素属于健康区域，少数属于病灶或非健康区域。用不平衡数据训练的模型往往偏向健康数据，这在临床应用中是不可取的。我们设计了一种新的条件 GAN，包含两个组件：生成模型与判别模型，通过选择性加权损失来缓解不平衡数据问题。生成器在序列磁共振图像（MRI）上训练以学习语义分割与疾病分类，而判别器对生成的输出是否为真或假进行分类。所提架构在 ACDC-2017 心脏分割与疾病分类上取得了当前最优（SOTA）结果。我们在 BraTS-2017 脑肿瘤分割与脑疾病分类上取得了有竞争力的结果。
引用
@article{arxiv.1811.10419,
title = {Multi-Task Generative Adversarial Network for Handling Imbalanced Clinical Data},
author = {Mina Rezaei and Haojin Yang and Christoph Meinel},
journal= {arXiv preprint arXiv:1811.10419},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216. arXiv admin note: text overlap with arXiv:1810.03871