LatentAugment: Aumento de datos a través de la manipulación guiada del espacio latente de GAN

Área de la Ciencia:

• Imágenes médicas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• El aumento de datos (DA) es crucial para mejorar la generalización del modelo al aumentar la cantidad y la diversidad de los datos de capacitación.
• Los métodos DA estándar a menudo producen una diversidad limitada de datos sintéticos.
• Las redes adversarias generativas (GAN) generan datos sintéticos realistas, pero luchan con la diversidad y la cobertura del modo.

Objetivo del estudio:

• Introducir LatentAugment, una nueva estrategia de DA que aborda las limitaciones de las redes de distribución generalizada en cuanto a diversidad y cobertura de modos.
• Mejorar la fidelidad y la diversidad de los datos sintéticos generados por GAN para aplicaciones de DA.
• Proporcionar una solución de DA independiente del conjunto de datos y de las tareas.

Principales métodos:

• LatentAugment modifica vectores latentes dentro de las GAN para explorar regiones subrepresentadas del espacio latente.
• Este enfoque tiene como objetivo maximizar la diversidad y la fidelidad de las imágenes sintéticas generadas sin supervisión externa.
• El método se evalúa en tareas de imágenes médicas, incluida la traducción de resonancia magnética a TC y la mamografía espectral mejorada por contraste.

Principales resultados:

• LatentAugment mejora significativamente la generalización de los modelos de aprendizaje profundo en comparación con el muestreo estándar basado en DA y GAN.
• Los experimentos demuestran una cobertura de modo superior y una diversidad de muestras generadas por LatentAugment en comparación con el muestreo GAN tradicional.
• El método muestra eficacia en diversas tareas de traducción de imágenes médicas.

Conclusiones:

• LatentAugment ofrece una solución poderosa para mejorar el aumento de datos basados en GAN mediante la mejora de la diversidad y la calidad de los datos sintéticos.
• Esta técnica supera las limitaciones clave de las GAN existentes, haciéndolas más adecuadas para aplicaciones DA exigentes.
• LatentAugment avanza en el campo del análisis de imágenes médicas al permitir modelos de aprendizaje profundo más robustos y generalizables.