R2C-GAN：用于盲 X 射线复原与 COVID-19 分类的复原到分类生成对抗网络
图像与视频处理
2025-01-28 v3 计算机视觉与模式识别
机器学习
摘要
对具有混合伪影集的低质量图像进行复原对于可靠诊断起着至关重要的作用。现有研究集中于特定的复原问题，如图像去模糊、去噪和曝光校正，通常对伪影类型和严重程度有较强假设。作为盲 X 射线复原的先驱研究，我们提出了一种用于通用图像复原与分类的联合模型：复原到分类生成对抗网络（R2C-GANs）。这种联合优化模型在复原后保持任何疾病特征不变。因此，得益于 X 射线图像质量的提升，这将自然带来更高的诊断性能。为实现这一关键目标，我们将复原任务定义为从具有噪声、模糊或过度/不足曝光的低质量图像到高质量图像域的图像到图像（Image-to-Image）平移问题。所提出的 R2C-GAN 模型能够利用未配对训练样本学习两域之间的正向和逆向变换。同时，联合分类在复原过程中保留疾病标签。此外，R2C-GANs 配备了运算层/神经元，减少了网络深度并进一步提升复原与分类性能。所提联合模型在 QaTa-COV19 数据集上针对 2019 冠状病毒病（COVID-19）分类进行了广泛评估。所提复原方法取得了超过 90% 的 F1 分数，显著高于任何深度模型的性能。此外，在定性分析中，R2C-GANs 的复原性能得到一组医学医生的认可。我们在 https://github.com/meteahishali/R2C-GAN 分享了软件实现。
引用
@article{arxiv.2209.14770,
title = {R2C-GAN: Restore-to-Classify Generative Adversarial Networks for Blind X-Ray Restoration and COVID-19 Classification},
author = {Mete Ahishali and Aysen Degerli and Serkan Kiranyaz and Tahir Hamid and Rashid Mazhar and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2209.14770},
year = {2025}
}