基于 GAN 的数据增强方法对皮肤病变图像的（去）偏置效应
图像与视频处理
2022-09-23 v1 计算机视觉与模式识别
摘要
新的医学数据集现在更加公开，使得更好且更广泛的研究成为可能。尽管以极大谨慎准备，新数据集仍可能是影响学习过程的伪相关性的来源。此外，数据收集通常不够大且常常不平衡。缓解数据不平衡的一种方法是使用生成对抗网络（GANs）进行数据增强，以高质量图像扩展数据集。GANs 通常与目标数据一样在同样的偏置数据集上训练，导致更多偏置样本。本工作探索了无条件与条件 GANs，以比较它们的偏置继承以及合成数据如何影响模型。我们对著名的 ISIC 皮肤病变数据集上可能致偏的伪影进行了广泛的手动数据标注。此外，我们通过反事实偏置解释检验了在真实与合成数据上训练的分类模型。我们的实验表明，GANs 继承了偏置，有时甚至放大它们，导致更强的伪相关性。手动数据标注与合成图像已公开以供可复现的科学研究。
引用
@article{arxiv.2206.15182,
title = {The (de)biasing effect of GAN-based augmentation methods on skin lesion images},
author = {Agnieszka Mikołajczyk and Sylwia Majchrowska and Sandra Carrasco Limeros},
journal= {arXiv preprint arXiv:2206.15182},
year = {2022}
}
备注
Accepted to MICCAI2022