Does an ensemble of GANs lead to better performance when training segmentation networks with synthetic images?

要約

セグメンテーションネットワークを学習するためには、大規模な注釈付きデータセットが必要である。医用画像処理では、このようなデータセットを作成することは困難で、時間とコストがかかることが多く、また、これらのデータセットを他の研究者と共有することも困難であろう。今日、様々なAIモデルが非常にリアルな合成画像を生成することができ、それらは特定の人物に属さないため、オープンに共有できる可能性がある。しかし、最近の研究では、ディープネットワークの学習に合成画像を使用すると、実画像を使用した場合と比較して、しばしばパフォーマンスが低下することが示されています。ここでは、単一のGANからではなく、10個のGANのアンサンブルから合成画像とアノテーションを使用することで、実テスト画像のDiceスコアが特定のクラスで4.7 %から14.0 %増加することを実証します。

要約(オリジナル)

Large annotated datasets are required to train segmentation networks. In medical imaging, it is often difficult, time consuming and expensive to create such datasets, and it may also be difficult to share these datasets with other researchers. Different AI models can today generate very realistic synthetic images, which can potentially be openly shared as they do not belong to specific persons. However, recent work has shown that using synthetic images for training deep networks often leads to worse performance compared to using real images. Here we demonstrate that using synthetic images and annotations from an ensemble of 10 GANs, instead of from a single GAN, increases the Dice score on real test images with 4.7 % to 14.0 % on specific classes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL