GANetic Loss for Generative Adversarial Networks with a Focus on Medical Applications

要約

敵対的生成ネットワーク (GAN) は、特定のデータセットの基礎となる統計構造を推定するために使用される機械学習モデルであり、その結果、画像生成や異常検出などのさまざまなタスクに使用できます。
当初の単純さにもかかわらず、GAN をトレーニングするための効果的な損失関数を設計することは依然として困難であり、生成モデルのパフォーマンスと安定性を向上させることを目的としてさまざまな損失関数が提案されています。
この研究では、GAN の損失関数設計が、遺伝的プログラミング (GP) アプローチを使用して解決される最適化問題として提示されます。
初期実験は、改善された損失関数を実験的に探索するために、小規模な深層畳み込み GAN (DCGAN) モデルと MNIST データセットを使用して実行されました。
見つかった関数は CIFAR10 で評価され、GANetic loss と呼ばれる最良の関数が得られ、GAN トレーニングに一般的に使用される損失と比較して非常に優れたパフォーマンスと安定性を示しました。
より困難な問題に対する一般的な適用性をさらに評価するために、GANetic 損失を画像生成と異常検出という 2 つの医療アプリケーションに適用しました。
医療画像生成における GANetic 損失を評価するために、組織病理学的画像、胃腸画像、または緑内障画像を使用して実験が実行され、ベースライン モデルと比較して画質が向上しました。
ポリープおよび緑内障の画像に使用された GANetic Loss は、異常の検出において大幅な改善を示しました。
要約すると、GANetic 損失関数は複数のデータセットとアプリケーションで評価され、一貫して他の損失関数よりも優れたパフォーマンスを発揮します。
さらに、GANetic の損失は、GAN の既知の弱点である安定したトレーニングと再現可能な結果につながります。

要約(オリジナル)

Generative adversarial networks (GANs) are machine learning models that are used to estimate the underlying statistical structure of a given dataset and as a result can be used for a variety of tasks such as image generation or anomaly detection. Despite their initial simplicity, designing an effective loss function for training GANs remains challenging, and various loss functions have been proposed aiming to improve the performance and stability of the generative models. In this study, loss function design for GANs is presented as an optimization problem solved using the genetic programming (GP) approach. Initial experiments were carried out using small Deep Convolutional GAN (DCGAN) model and the MNIST dataset, in order to search experimentally for an improved loss function. The functions found were evaluated on CIFAR10, with the best function, named GANetic loss, showing exceptionally better performance and stability compared to the losses commonly used for GAN training. To further evalute its general applicability on more challenging problems, GANetic loss was applied for two medical applications: image generation and anomaly detection. Experiments were performed with histopathological, gastrointestinal or glaucoma images to evaluate the GANetic loss in medical image generation, resulting in improved image quality compared to the baseline models. The GANetic Loss used for polyp and glaucoma images showed a strong improvement in the detection of anomalies. In summary, the GANetic loss function was evaluated on multiple datasets and applications where it consistently outperforms alternative loss functions. Moreover, GANetic loss leads to stable training and reproducible results, a known weak spot of GANs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google