SynCGAN：利用可学习的类特定先验生成合成数据以提升细胞学图像分类器性能
计算机视觉与模式识别
2020-03-13 v1
摘要
医学图像分析中最具挑战性的方面之一是缺乏大量标注数据。这使得深度学习算法因输入空间缺乏变化而难以表现良好。尽管生成对抗网络在合成数据生成领域展现出前景，但若无精心设计的先验，生成过程无法良好进行。在所提方法中，我们展示了使用自动生成的分割掩码作为可学习的类特定先验，来引导条件 GAN 生成细胞学图像的病理真实样本。我们观察到，使用所提称为“SynCGAN”的流水线进行数据增广，显著提升了 ResNet-152、DenseNet-161、Inception-V3 等最优分类器的性能。
引用
@article{arxiv.2003.05712,
title = {SynCGAN: Using learnable class specific priors to generate synthetic data for improving classifier performance on cytological images},
author = {Soumyajyoti Dey and Soham Das and Swarnendu Ghosh and Shyamali Mitra and Sukanta Chakrabarty and Nibaran Das},
journal= {arXiv preprint arXiv:2003.05712},
year = {2020}
}