Local Lesion Generation is Effective for Capsule Endoscopy Image Data Augmentation in a Limited Data Setting

要約

医療画像データセットが限られていると、特に敵対的生成ネットワーク (GAN) において、過学習のリスクが増大し、一般化が低下するため、ディープ ラーニング モデルの課題となっています。この場合、識別器が過学習してトレーニングの発散につながる可能性があります。
この制約は、小さなデータセットでトレーニングされた分類モデルにも影響を与えます。
Generative Data Augmentation (GDA) は、生成モデルのトレーニングを必要としますが、合成データを使用してトレーニング データセットを拡張することでこの問題に対処します。
私たちは、小さな医療画像データセットを増強するという課題に対処するために、2 つの局所病変生成アプローチを提案し、評価します。
最初のアプローチでは、古典的な画像処理技術であるポアソン画像編集アルゴリズムを使用して、現在の最先端の方法を上回るリアルな画像合成を作成します。
2 番目のアプローチでは、微調整された画像修復 GAN を活用して、実際のトレーニング画像の指定された領域内にリアルな病変を合成する、新しい生成方法を導入します。
提案された 2 つの方法を包括的に比較すると、データに制約のある設定での効果的な局所病変生成により、カプセル内視鏡病変分類における新しい最先端の結果に到達できることが実証されています。
当社の技術を組み合わせることで、マクロ F1 スコア 33.07% を達成し、カプセル内視鏡のベンチマークである非常に不均衡な Kvasir カプセル データセットでの以前の最高結果を 7.84 パーセント ポイント (p.p.) 上回りました。
私たちの知る限り、この研究は、医療画像処理における GDA 用の微調整された画像修復 GAN を適用した最初の研究であり、画像条件付き GAN を限られたデータセットに効果的に適用して高品質のサンプルを生成し、効果的な画像処理を容易にすることを実証しています。
データの増強。
さらに、この GAN ベースのアプローチと古典的な画像処理技術を組み合わせることで、結果がさらに向上することを示します。

要約(オリジナル)

Limited medical imaging datasets challenge deep learning models by increasing risks of overfitting and reduced generalization, particularly in Generative Adversarial Networks (GANs), where discriminators may overfit, leading to training divergence. This constraint also impairs classification models trained on small datasets. Generative Data Augmentation (GDA) addresses this by expanding training datasets with synthetic data, although it requires training a generative model. We propose and evaluate two local lesion generation approaches to address the challenge of augmenting small medical image datasets. The first approach employs the Poisson Image Editing algorithm, a classical image processing technique, to create realistic image composites that outperform current state-of-the-art methods. The second approach introduces a novel generative method, leveraging a fine-tuned Image Inpainting GAN to synthesize realistic lesions within specified regions of real training images. A comprehensive comparison of the two proposed methods demonstrates that effective local lesion generation in a data-constrained setting allows for reaching new state-of-the-art results in capsule endoscopy lesion classification. Combination of our techniques achieves a macro F1-score of 33.07%, surpassing the previous best result by 7.84 percentage points (p.p.) on the highly imbalanced Kvasir Capsule Dataset, a benchmark for capsule endoscopy. To the best of our knowledge, this work is the first to apply a fine-tuned Image Inpainting GAN for GDA in medical imaging, demonstrating that an image-conditional GAN can be adapted effectively to limited datasets to generate high-quality examples, facilitating effective data augmentation. Additionally, we show that combining this GAN-based approach with classical image processing techniques further enhances the results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google