Synthetic Generation of Dermatoscopic Images with GAN and Closed-Form Factorization

要約

さまざまな病状を正確かつ早期に検出するには、皮膚鏡および顕微鏡による皮膚病変画像の分析が極めて重要である皮膚科診断の分野では、多様で高品質の注釈付きデータセットの作成に関連するコストが、機械の精度と汎用性を妨げています。
学習モデル。
私たちは、敵対的生成ネットワーク (GAN) ベースのモデルとその潜在空間上の関連技術を利用して、皮膚鏡画像内で制御された半自動的に発見された意味論的バリエーションを生成する、革新的な教師なし拡張ソリューションを提案します。
セマンティックなバリエーションを組み込むために合成画像を作成し、これらの画像を使用してトレーニング データを強化しました。
このアプローチにより、機械学習モデルのパフォーマンスを向上させ、HAM10000 データセットの皮膚病変分類における非アンサンブル ベースのモデルの中で新しいベンチマークを設定することができました。
また、観察された分析と生成されたモデルをモデルの説明可能性に関する詳細な研究に使用し、ソリューションの有効性を確認しました。

要約(オリジナル)

In the realm of dermatological diagnoses, where the analysis of dermatoscopic and microscopic skin lesion images is pivotal for the accurate and early detection of various medical conditions, the costs associated with creating diverse and high-quality annotated datasets have hampered the accuracy and generalizability of machine learning models. We propose an innovative unsupervised augmentation solution that harnesses Generative Adversarial Network (GAN) based models and associated techniques over their latent space to generate controlled semiautomatically-discovered semantic variations in dermatoscopic images. We created synthetic images to incorporate the semantic variations and augmented the training data with these images. With this approach, we were able to increase the performance of machine learning models and set a new benchmark amongst non-ensemble based models in skin lesion classification on the HAM10000 dataset; and used the observed analytics and generated models for detailed studies on model explainability, affirming the effectiveness of our solution.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google