病灶在何处？基于异常图像的半监督伪正常合成
计算机视觉与模式识别
2021-06-30 v1 机器学习
图像与视频处理
摘要
伪正常合成旨在从异常图像（如含病灶的图像）中计算生成伪正常图像，在病灶检测、数据增强到临床手术建议等诸多方面具有关键作用。然而，在缺乏病灶信息的情况下生成高质量伪正常图像具有挑战性。因此，人们引入了昂贵的病灶分割数据，以为生成模型提供病灶信息并提升合成图像的质量。本文旨在缓解生成伪正常图像时对大量病灶分割数据的需求。我们提出了一种半监督医学图像生成学习网络（SMILE），其不仅利用有限的带分割掩码的医学图像，还借助海量无分割掩码的医学图像来生成逼真的伪正常图像。大量实验表明，我们的模型在数据增强任务上比最佳SOTA模型高出至多6%，在生成高质量图像方面高出3%。此外，所提出的半监督学习仅使用50份分割数据，即可达到与监督学习模型相当的医学图像合成质量。
引用
@article{arxiv.2106.15345,
title = {Where is the disease? Semi-supervised pseudo-normality synthesis from an abnormal image},
author = {Yuanqi Du and Quan Quan and Hu Han and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2106.15345},
year = {2021}
}