利用上下文 GAN 合成病灶提升乳腺 X 线摄影中的乳腺癌分类
图像与视频处理
2020-06-02 v1 计算机视觉与模式识别
摘要
数据稀缺与类别不平衡是许多医疗机器学习应用中的两个基本挑战。乳腺 X 线摄影中的乳腺癌分类正是这些挑战的典型例证，在筛查人群中恶性率约为 0.5%，且恶性病例中病灶相对较小（约占图像的 1%）更使其加剧。同时，筛查性乳腺 X 线摄影的普及创造了可用于训练的非癌症检查潜在 abundance。总体而言，这些特征导致在癌症病例上过拟合，同时未充分利用非癌症数据。在此，我们提出一种用于数据增强的新型生成对抗网络（GAN）模型，可真实地在乳腺 X 线图像上合成与去除病灶。借助自注意力与半监督学习组件，该基于 U-net 的架构能够生成高分辨率（256x256px）输出，这是乳腺 X 线摄影所必需的。当使用 GAN 生成的样本扩充原始训练集时，我们在真实乳腺 X 线图像块测试集上的恶性分类性能得到显著提升。总体而言，我们算法的实证结果及其对其他医学成像范式的相关性指向了潜在丰硕的进一步应用。
引用
@article{arxiv.2006.00086,
title = {Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms},
author = {Eric Wu and Kevin Wu and William Lotter},
journal= {arXiv preprint arXiv:2006.00086},
year = {2020}
}