SAGE：用于基于有限数据集分析胶质母细胞瘤的序列属性生成器
图像与视频处理
2022-06-07 v2 计算机视觉与模式识别
摘要
尽管深度学习方法在许多成像任务中表现出卓越性能，但大多数方法依赖于大量数据的可用性。然而，医学图像数据稀缺且碎片化。生成对抗网络（GANs）近来通过生成更多数据，在处理此类数据集方面非常有效。然而，如果数据集非常小，GANs 无法正确学习数据分布，导致结果多样性不足或质量低下。这样一个有限的数据集是 19 和 20 号染色体同时扩增（19/20 co-gain）的数据集，这是一种在胶质母细胞瘤（GBM）中具有正向预后价值的突变。在本文中，我们检测该突变的影像学生物标志物，以简化广泛且有创的预后流程。由于该突变相对罕见（即小数据集），我们提出了一种新颖的生成框架——序列属性生成器（Sequential Attribute GEnerator, SAGE），它能在从有限数据集学习的同时生成详细的肿瘤影像特征。实验表明，与标准深度卷积 GAN（DC-GAN）和带梯度惩罚的 Wasserstein GAN（WGAN-GP）相比，SAGE 不仅生成高质量肿瘤，还准确捕捉了影像学生物标志物。
引用
@article{arxiv.2005.07225,
title = {SAGE: Sequential Attribute Generator for Analyzing Glioblastomas using Limited Dataset},
author = {Padmaja Jonnalagedda and Brent Weinberg and Jason Allen and Taejin L. Min and Shiv Bhanu and Bir Bhanu},
journal= {arXiv preprint arXiv:2005.07225},
year = {2022}
}