Disease Severity Regression with Continuous Data Augmentation

要約

医療画像の畳み込みニューラル ネットワーク (CNN) による疾患重症度回帰には、重症度レベルでラベル付けされた十分な数の画像サンプルが必要です。
条件付き敵対的生成ネットワーク (cGAN) ベースのデータ拡張 (DA) は可能な解決策ですが、2 つの問題が発生します。
1 つ目は、既存の cGAN が実数値の重大度レベルを条件として処理できないことです。2 つ目は、生成されたイメージの重大度が完全に信頼できないことです。
この 2 つの問題の解決策として、継続的な DA を提案します。
私たちの方法は、継続的な重大度GANを使用して、実数値の重大度レベルで画像を生成し、データセットに無関係な多目的最適化を使用して2番目の問題に対処します。
我々の方法は、内視鏡画像の潰瘍性大腸炎（UC）の重症度を推定するために評価され、従来のDA法よりも高い分類性能を達成しました。

要約(オリジナル)

Disease severity regression by a convolutional neural network (CNN) for medical images requires a sufficient number of image samples labeled with severity levels. Conditional generative adversarial network (cGAN)-based data augmentation (DA) is a possible solution, but it encounters two issues. The first issue is that existing cGANs cannot deal with real-valued severity levels as their conditions, and the second is that the severity of the generated images is not fully reliable. We propose continuous DA as a solution to the two issues. Our method uses continuous severity GAN to generate images at real-valued severity levels and dataset-disjoint multi-objective optimization to deal with the second issue. Our method was evaluated for estimating ulcerative colitis (UC) severity of endoscopic images and achieved higher classification performance than conventional DA methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google