SAG-GAN：用于医学图像数据增强的半监督注意力引导GAN
图像与视频处理
2020-11-17 v1 计算机视觉与模式识别
摘要
近来深度学习方法，尤其是卷积神经网络(CNNs)，在计算机视觉领域取得了巨大突破。此外，大规模标注数据集是成功训练过程的关键。然而，在医学领域获取此类数据集是一个巨大挑战。为此，我们提出了一种利用循环一致性生成对抗网络(GANs)生成合成医学图像的数据增强方法。我们加入半监督注意力模块以生成具有可信细节的图像。我们将肿瘤图像与正常图像视为两个域。所提出的基于GANs的模型可从正常图像生成肿瘤图像，反之也可从肿瘤图像生成正常图像。此外，我们表明生成的医学图像可用于提升ResNet18在医学图像分类上的性能。我们的模型应用于三个有限的肿瘤MRI图像数据集。我们首先在有限数据集上生成MRI图像，然后训练三种流行的分类模型以获得肿瘤分类的最佳模型。最后，我们使用经典数据增强方法的真实图像训练分类模型，并使用合成图像训练分类模型。这些训练模型间的分类结果表明，所提出的SAG-GAN数据增强方法相比经典数据增强方法能提升准确率和AUC。我们相信所提出的数据增强方法可应用于其他医学图像领域，并提高计算机辅助诊断的准确性。
引用
@article{arxiv.2011.07534,
title = {SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images},
author = {Chang Qi and Junyang Chen and Guizhi Xu and Zhenghua Xu and Thomas Lukasiewicz and Yang Liu},
journal= {arXiv preprint arXiv:2011.07534},
year = {2020}
}