海量任意位置合成多样肺结节：基于 3D 多条件 GAN 的 CT 图像增强用于目标检测
计算机视觉与模式识别
2019-08-14 v2 图像与视频处理
摘要
准确的计算机辅助诊断依赖于大规模标注病理图像，可降低漏诊风险。遗憾的是，在医学影像中，大多数可用数据集规模小且碎片化。为此，作为一种数据增强（DA）方法，3D 条件生成对抗网络（GANs）可合成所需的真实/多样 3D 图像作为额外训练数据。然而，目前尚无基于 3D 条件 GAN 的 DA 方法用于通用的基于边界框的 3D 目标检测，而该方法能以医师最低标注成本定位病灶区域，不同于严苛的 3D 分割。此外，由于病变在位置/大小/衰减上各异，进一步的基于 GAN 的 DA 性能需要多条件。因此，我们提出 3D 多条件 GAN（MCGAN）来生成真实/多样的 32 X 32 X 32 结节，并将其自然地置于肺部计算机断层扫描图像上，以提升 3D 目标检测的灵敏度。我们的 MCGAN 采用两个判别器进行条件化：上下文判别器学习对以噪声框为中心 surrounding 的真实与合成结节/周围配对进行分类；结节判别器尝试在大小/衰减条件下对真实与合成结节进行分类。结果表明，基于 3D 卷积神经网络（CNN）的检测可在固定假阳性率下于任意结节大小/衰减取得更高灵敏度，并借助 MCGAN 生成的真实结节克服医学数据匮乏——甚至在视觉图灵测试中专家医师也无法将其与真实结节区分。
引用
@article{arxiv.1906.04962,
title = {Synthesizing Diverse Lung Nodules Wherever Massively: 3D Multi-Conditional GAN-based CT Image Augmentation for Object Detection},
author = {Changhee Han and Yoshiro Kitamura and Akira Kudo and Akimichi Ichinose and Leonardo Rundo and Yujiro Furukawa and Kazuki Umemoto and Yuanzhong Li and Hideki Nakayama},
journal= {arXiv preprint arXiv:1906.04962},
year = {2019}
}
备注
9 pages, 6 figures, accepted to 3DV 2019