基于 GAN 的数据增强用于深度学习 COVID-19 图像分类的性能
图像与视频处理
2024-03-21 v2 计算机视觉与模式识别
医学物理
摘要
深度学习在医疗领域应用的最大挑战是训练数据的可用性。当面临有限数据集时，数据增强是机器学习中使用的典型方法。在经典方法中，使用图像变换即旋转、裁剪与亮度变化。本工作中，一个生成对抗网络的 StyleGAN2-ADA 模型在有限的 COVID-19 胸部 X 光图像集上训练。在评估生成图像质量后，将其用于增加训练数据集以改善类间平衡。我们考虑包含 COVID-19 阳性类的胸部 X 光图像多类分类问题，该问题尚未在文献中被深入探索。给出了基于迁移学习的 COVID-19 胸部 X 光图像分类结果。比较了若干深度卷积神经网络模型的性能。研究了经典图像增强（即旋转、裁剪与亮度变化）对检测性能的影响。此外，将经典图像增强与基于 GAN 的增强进行比较。最准确的模型是 EfficientNet-B0，准确率为 90.2%，在简单类平衡的数据集上训练。对于所考虑的数据集，GAN 增强方法被发现逊于经典方法。
引用
@article{arxiv.2304.09067,
title = {Performance of GAN-based augmentation for deep learning COVID-19 image classification},
author = {Oleksandr Fedoruk and Konrad Klimaszewski and Aleksander Ogonowski and Rafał Możdżonek},
journal= {arXiv preprint arXiv:2304.09067},
year = {2024}
}
备注
To be published in prceedings of WMLQ2022 International Workshop on Machine Learning and Quantum Computing Applications in Medicine and Physics. Version updated after editorial review