ProstateGAN：利用生成对抗网络合成前列腺扩散成像以缓解数据偏差
计算机视觉与模式识别
2018-11-28 v2 人工智能
神经与进化计算
摘要
生成对抗网络（GAN）在构建机器学习驱动的分析算法时，为缓解数据稀缺这一挑战已展现出可观的潜力。具体而言，若干研究表明，基于 GAN 的图像合成用于数据增强，有助于提升脑与肝脏等若干医学图像分析任务中的分类准确率。然而，利用 GAN 应对前列腺癌分析的有效性此前尚未被探索。受此启发，本研究提出 ProstateGAN，一种基于 GAN、用于合成逼真前列腺扩散成像数据的模型。更具体地，为生成对应于特定癌症分级（Gleason 评分）的新扩散成像数据，我们提出了一种条件深度卷积 GAN 架构，在训练过程中将 Gleason 评分纳入考量。实验结果表明，利用所提出的 ProstateGAN 可为指定 Gleason 评分生成高质量的合成前列腺扩散成像数据。
引用
@article{arxiv.1811.05817,
title = {ProstateGAN: Mitigating Data Bias via Prostate Diffusion Imaging Synthesis with Generative Adversarial Networks},
author = {Xiaodan Hu and Audrey G. Chung and Paul Fieguth and Farzad Khalvati and Masoom A. Haider and Alexander Wong},
journal= {arXiv preprint arXiv:1811.05817},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216