迈向以生成对抗网络作为放射学教育新范式
计算机视觉与模式识别
2018-12-05 v1
摘要
医学生和放射科受训者通常需查看数千张图像，以“训练眼力”来检测诊断所需的细微视觉模式。然而，基础设施与法律限制常使得难以访问并快速查询具有用户指定特征集的大量图像。在本文中，我们使用条件生成对抗网络（GAN）合成 像素的骨盆放射照片，并可以依据骨折状态进行条件查询。我们证明，条件 GAN 通过学习区分骨折与非骨折的特征，仅在由 GAN 采样的图像上训练卷积神经网络，并在留出的真实图像集上达到 的 AUC。我们对 GAN 采样的图像进行了额外分析，并描述了正在进行的验证教育有效性的工作。
引用
@article{arxiv.1812.01547,
title = {Towards generative adversarial networks as a new paradigm for radiology education},
author = {Samuel G. Finlayson and Hyunkwang Lee and Isaac S. Kohane and Luke Oakden-Rayner},
journal= {arXiv preprint arXiv:1812.01547},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:cs/0101200