Sparse-GAN：用于视网膜OCT图像异常检测的稀疏约束生成对抗网络
计算机视觉与模式识别
2020-02-04 v3 图像与视频处理
光学
摘要
随着卷积神经网络的发展，深度学习已在从光学相干断层扫描（OCT）图像中检测视网膜疾病方面展现出成效。然而，深度学习通常依赖大规模标注数据进行训练，而这往往具有挑战性，尤其是对于低发病率的疾病。此外，从包含一种或少数几种疾病的数据集训练得到的深度学习系统无法检测其他未见疾病，这限制了该系统在疾病筛查中的实际应用。为克服该局限，我们提出了一种新颖的异常检测框架，称为稀疏约束生成对抗网络（Sparse-GAN），用于仅训练集中含健康数据的疾病筛查。Sparse-GAN的贡献有两点：1）所提Sparse-GAN在隐空间而非图像层面预测异常；2）Sparse-GAN受一种新颖的稀疏正则化网络约束。此外，鉴于病灶在疾病筛查中的作用，我们提出利用异常激活图来显示病灶的热图。我们在公开数据集上评估了所提Sparse-GAN，结果表明该方法优于当前最先进（state-of-the-art）方法。
引用
@article{arxiv.1911.12527,
title = {Sparse-GAN: Sparsity-constrained Generative Adversarial Network for Anomaly Detection in Retinal OCT Image},
author = {Kang Zhou and Shenghua Gao and Jun Cheng and Zaiwang Gu and Huazhu Fu and Zhi Tu and Jianlong Yang and Yitian Zhao and Jiang Liu},
journal= {arXiv preprint arXiv:1911.12527},
year = {2020}
}
备注
Accepted to ISBI 2020