Data Augmentation using Feature Generation for Volumetric Medical Images

要約

医用画像の分類は、画像認識分野で最も重要な問題の 1 つです。
この分野の主な課題の 1 つは、ラベル付けされたトレーニング データが不足していることです。
さらに、場合によっては非常にまれにしか発生しないため、データセットにクラスの不均衡が生じることがよくあります。
その結果、分類タスクの精度は通常低くなります。
特に、深層学習モデルは、画像のセグメンテーションと分類の問題で有望な結果を示していますが、トレーニングには非常に大きなデータセットが必要です。
したがって、同じ分布からより多くの合成サンプルを生成する必要があります。
以前の研究では、特徴生成がより効率的であり、対応する画像生成よりも優れたパフォーマンスをもたらすことが示されています。
この考え方を医用画像分野に適用します。
転移学習を使用して、ゴールド スタンダードのクラス アノテーションが利用可能な小さなデータセットのセグメンテーション モデルをトレーニングします。
学習した特徴を抽出し、それらを使用して、補助分類子 GAN (ACGAN) を使用して、クラス ラベルを条件とする合成特徴を生成します。
脳腫瘍の重症度レベルに従って、下流の分類タスクで生成された機能の品質をテストします。
実験結果は、これらの生成された機能の有効性と、データのバランスを取り、分類クラスごとの精度を向上させるための全体的な貢献に関して有望な結果を示しています。

要約(オリジナル)

Medical image classification is one of the most critical problems in the image recognition area. One of the major challenges in this field is the scarcity of labelled training data. Additionally, there is often class imbalance in datasets as some cases are very rare to happen. As a result, accuracy in classification task is normally low. Deep Learning models, in particular, show promising results on image segmentation and classification problems, but they require very large datasets for training. Therefore, there is a need to generate more of synthetic samples from the same distribution. Previous work has shown that feature generation is more efficient and leads to better performance than corresponding image generation. We apply this idea in the Medical Imaging domain. We use transfer learning to train a segmentation model for the small dataset for which gold-standard class annotations are available. We extracted the learnt features and use them to generate synthetic features conditioned on class labels, using Auxiliary Classifier GAN (ACGAN). We test the quality of the generated features in a downstream classification task for brain tumors according to their severity level. Experimental results show a promising result regarding the validity of these generated features and their overall contribution to balancing the data and improving the classification class-wise accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google