Simple U-net Based Synthetic Polyp Image Generation: Polyp to Negative and Negative to Polyp

要約

合成ポリープの生成は、医療データのプライバシー問題とさまざまなポリープ サンプルの不足を克服するための優れた代替手段です。
本研究では、実物に近い合成ポリープ画像を生成する深層学習ベースのポリープ画像生成フレームワークを提案します。
単純な条件付き GAN アーキテクチャを使用して特定のポリープ画像をネガティブ画像 (ポリープのない画像) に変換し、同じネットワークを使用してネガティブ画像を新しい外観のポリープ画像に変換するフレームワークを提案します。
また、制御可能なポリープマスクを使用することで、1つの入力条件から様々な特徴を持つポリープを生成することができます。
生成されたポリープ画像は、追加のラベリングなしで、ポリープ検出およびセグメンテーション用のトレーニング画像として直接使用できます。
生成された合成ポリープの品質を定量的に評価するために、公開ポリープ画像とビデオ データセットを生成された合成画像と組み合わせて使用​​し、いくつかの検出モデルとセグメンテーション モデルのパフォーマンスの向上を調べます。
実験結果は、生成されたポリープ画像がトレーニング セットに追加されると、パフォーマンスが向上することを示しています。

要約(オリジナル)

Synthetic polyp generation is a good alternative to overcome the privacy problem of medical data and the lack of various polyp samples. In this study, we propose a deep learning-based polyp image generation framework that generates synthetic polyp images that are similar to real ones. We suggest a framework that converts a given polyp image into a negative image (image without a polyp) using a simple conditional GAN architecture and then converts the negative image into a new-looking polyp image using the same network. In addition, by using the controllable polyp masks, polyps with various characteristics can be generated from one input condition. The generated polyp images can be used directly as training images for polyp detection and segmentation without additional labeling. To quantitatively assess the quality of generated synthetic polyps, we use public polyp image and video datasets combined with the generated synthetic images to examine the performance improvement of several detection and segmentation models. Experimental results show that we obtain performance gains when the generated polyp images are added to the training set.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google