A Parameterized Generative Adversarial Network Using Cyclic Projection for Explainable Medical Image Classification

要約

現在のデータ拡張手法はデータ不足を軽減することに成功していますが、従来の拡張は主にドメイン内で行われ、高度な敵対的生成ネットワーク (GAN) では、特に小規模なデータセットでは不確実な画像が生成されます。
この論文では、ドメイン間の合成サンプルの変化を効果的に制御し、下流の分類のために注目領域を強調表示するパラメータ化された GAN (ParaGAN) を提案します。
具体的には、ParaGAN は周期投影に投影距離パラメータを組み込み、ソース画像を決定境界に投影してクラス差マップを取得します。
私たちの実験では、ParaGAN が 2 つの小規模医療データセットに対する説明可能な分類により、既存の拡張手法よりも常に優れたパフォーマンスを発揮できることを示しています。

要約(オリジナル)

Although current data augmentation methods are successful to alleviate the data insufficiency, conventional augmentation are primarily intra-domain while advanced generative adversarial networks (GANs) generate images remaining uncertain, particularly in small-scale datasets. In this paper, we propose a parameterized GAN (ParaGAN) that effectively controls the changes of synthetic samples among domains and highlights the attention regions for downstream classification. Specifically, ParaGAN incorporates projection distance parameters in cyclic projection and projects the source images to the decision boundary to obtain the class-difference maps. Our experiments show that ParaGAN can consistently outperform the existing augmentation methods with explainable classification on two small-scale medical datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google