用于扩充小型医学图像数据集的合成图像
计算机视觉与模式识别
2025-03-04 v1 人工智能
机器学习
摘要
近年来，深度学习 (DL) 在医学成像领域的学术和工业兴趣不断增长。要获得良好性能，DL 模型需要非常大的标记数据集。然而，大多数医学成像数据集都很小，仅包含有限数量的注释样本。造成数据集小的原因通常是因为描绘医学图像需要耗时且具有挑战性。本研究中，我们开发了一种当前 GAN 方法 StyleGAN2 的新型条件变体，用于生成多模态高分辨率医学图像，旨在用这些合成图像扩充小型医学成像数据集。我们使用合成图像和真实图像从六个数据集训练模型，用于下游语义分割任务。随后评估了生成医学图像的质量以及该数据增强对分割性能的影响。最终结果表明，下游分割模型并未从生成的图像中获益。后续工作和分析仍需进一步确定该数据增强如何影响分割性能。
引用
@article{arxiv.2503.00962,
title = {Using Synthetic Images to Augment Small Medical Image Datasets},
author = {Minh H. Vu and Lorenzo Tronchin and Tufve Nyholm and Tommy Löfstedt},
journal= {arXiv preprint arXiv:2503.00962},
year = {2025}
}
备注
14 pages