生成对抗网络的逐步增长,以改善数据增强和皮肤癌诊断
Eduardo Pérez1, Sebastián Ventura1
1Andalusian Research Institute in Data Science and Computational Intelligence (DaSCI). University of Córdoba, Córdoba, Spain; Maimónides Biomedical Research Institute of Córdoba (IMIBIC). University of Córdoba, Córdoba, Spain.
Artificial intelligence in medicine
|June 9, 2023
概括
这项研究引入了一个强大的生成对抗网络用于黑色素瘤诊断,改进了合成皮肤图像生成,并优于现有的早期皮肤癌检测方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 早期的黑色素瘤诊断对于减少皮肤癌死亡率至关重要.
- 生成对抗网络 (GAN) 显示出数据增强和改善诊断模型的前景.
- 在GAN应用中的挑战包括高数据差异,有限的数据集和模型不稳定性.
研究的目的:
- 开发一个更强大的GAN架构,用于生成高质量的合成皮肤图像.
- 解决黑色素瘤诊断的医学成像数据集中的数据稀缺和不平衡问题.
- 提高早期黑色素瘤检测模型的诊断性能.
主要方法:
- 实现了逐步增长的对抗网络 (PGAN) 架构,并使用剩余学习来增强稳定性.
- 利用皮肤病变边界细分和转移学习来提高诊断准确度.
- 从小型皮肤镜和非皮肤镜数据集生成了512x512的光现实合成皮肤图像.
主要成果:
- 拟议的PGAN架构有效地解决了数据稀缺和不平衡的问题.
- 实现了可信的,光现实的合成皮肤图像生成.
- 在16个数据集中显著超过了四种最先进的数据增强技术.
- 证明增加可训练参数并不能保证更好的黑色素瘤诊断性能.
结论:
- 开发的PGAN模型为黑色素瘤诊断中的数据增强提供了强大的解决方案.
- 这种方法提高了诊断能力,特别是在有限或不平衡的数据集的情况下.
- 这种方法显示了改善早期皮肤癌检测率的巨大潜力.
