通过合成医学图像用于分类与定位的快速训练数据创建
计算机视觉与模式识别
2023-08-10 v1 人工智能
摘要
尽管人工智能(AI)用于医学图像分析正获得广泛认可，但由于数据和专家标注的可用性有限，在医学领域生成标注数据所需的专业知识、时间和成本都相当高。强监督目标定位模型需要穷尽标注的数据，即图像中所有感兴趣目标均被标识。这对于医学图像而言难以实现和验证。我们提出了一种将真实数据转换以训练任意深度神经网络来解决上述问题的方法。我们在弱监督定位模型和强监督定位模型上均展示了该方法的有效性。对于弱监督模型，我们表明使用生成数据可显著提升定位精度。对于强监督模型，该方法克服了对真实图像进行穷尽标注的需求。在后一模型中，我们表明使用生成图像训练时的精度与使用穷尽标注真实图像训练时的精度十分接近。结果在显微镜获取的人体尿液样本图像上得到展示。
引用
@article{arxiv.2308.04687,
title = {Rapid Training Data Creation by Synthesizing Medical Images for Classification and Localization},
author = {Abhishek Kushwaha and Sarthak Gupta and Anish Bhanushali and Tathagato Rai Dastidar},
journal= {arXiv preprint arXiv:2308.04687},
year = {2023}
}
备注
https://openaccess.thecvf.com/content_CVPRW_2020/html/w57/Kushwaha_Rapid_Training_Data_Creation_by_Synthesizing_Medical_Images_for_Classification_CVPRW_2020_paper.html