- DCGAN для реалистичного увеличения массы груди с помощью рентгеновской маммографии(arXiv)
Автор:Базель Аляфи, Оливер Диас, Роберт Марти
Аннотация: Раннее выявление рака молочной железы имеет большое значение для излечения, а с помощью маммографических изображений этого можно добиться неинвазивным путем. Контролируемое глубокое обучение, которое в настоящее время является доминирующим инструментом САПР, сыграло большую роль в обнаружении объектов в компьютерном зрении, но оно страдает одним ограничивающим свойством: потребностью в большом количестве размеченных данных. Это становится более строгим, когда речь идет о наборах медицинских данных, которые требуют дорогостоящих и трудоемких аннотаций. Кроме того, наборы медицинских данных обычно несбалансированы, что часто снижает эффективность классификаторов. Целью этой статьи является изучение распределения класса меньшинства для синтеза новых образцов, чтобы улучшить обнаружение поражений в маммографии. Глубокие сверточные генеративно-состязательные сети (DCGAN) могут эффективно генерировать массы молочной железы. Их обучают на подмножествах одного набора маммографических данных увеличивающегося размера и используют для создания разнообразных и реалистичных масс молочной железы. Эффект включения сгенерированных изображений и/или применения горизонтального и вертикального отражения проверяется в среде, где несбалансированный набор данных масс и нормальных участков ткани 1:10 классифицируется полностью сверточной сетью. Сообщается о максимальном улучшении оценки F1 на ~ 0:09 при использовании DCGAN вместе с переворачиванием увеличения по сравнению с использованием исходных изображений. Мы показываем, что DCGAN можно использовать для синтеза фотореалистичных участков массы груди со значительным разнообразием. Показано, что добавление синтетических изображений в этой среде вместе с переворачиванием превосходит традиционный метод увеличения только перелистывания, предлагая более быстрые улучшения в зависимости от размера обучающего набора.
2.DC-AL GAN: псевдопрогрессия и истинное опухолевое прогрессирование глиобластомы. Классификация мультиформных изображений на основе данных DCGAN и AlexNet(arXiv)
Автор:: Мэйю Ли, Хайлян Тан, Майкл Д. Чан, Сяобо Чжоу, Сяохуа Цянь
Аннотация: Псевдопрогрессия (ПсП) возникает у 20–30% пациентов с мультиформной глиобластомой (ГБМ) после стандартного лечения. В ходе магнитно-резонансной томографии (МРТ) после лечения PsP проявляет сходство по форме и интенсивности с истинной опухолевой прогрессией (TTP) GBM. Таким образом, эти сходства создают проблемы для дифференциации этих типов прогрессирования и, следовательно, для выбора соответствующей стратегии клинического лечения. В этой статье мы представляем DC-AL GAN, новый метод изучения признаков, основанный на глубокой сверточной генеративно-состязательной сети (DCGAN) и AlexNet, для различения PsP и TTP на изображениях МРТ. Из-за состязательных отношений между генератором и дискриминатором DCGAN для дискриминатора с помощью AlexNet могут быть получены высокоуровневые дискриминационные признаки PsP и TTP. Кроме того, схема слияния функций используется для объединения функций более высокого уровня с информацией более низкого уровня, что приводит к более мощным функциям, которые используются для эффективного различения PsP и TTP. Экспериментальные результаты показывают, что DC-AL GAN обеспечивает желаемую производительность классификации PsP и TTP, которая превосходит другие современные методы.
