[论文解读] Inception Augmentation Generative Adversarial Network

Saman Motamed, Farzad Khalvati|arXiv (Cornell University)|Jun 5, 2020

COVID-19 diagnosis using AI参考文献 22被引用 4

一句话总结

本文提出了一种基于 Inception 的增强生成对抗网络（IAGAN），通过在训练过程中同时利用正常和肺炎图像，生成逼真的肺炎类胸部X光片。通过使用 GAN 对特定异常检测任务进行数据增强，该方法提升了 AnoGAN 的性能，在小样本数据集上的肺炎检测 AUC 从 0.83 提升至 0.88。

ABSTRACT

Successful training of convolutional neural networks (CNNs) requires a substantial amount of data. With small datasets, networks generalize poorly. Data Augmentation techniques improve the generalizability of neural networks by using existing training data more effectively. Standard data augmentation methods, however, produce limited plausible alternative data. Generative Adversarial Networks (GANs) have been utilized to generate new data and improve CNN performance. Nevertheless, generative models have not been used for augmenting data to improve the training of another generative model. In this work, we propose a new GAN architecture for semi-supervised augmentation of chest X-rays for the detection of pneumonia. We show that the proposed GAN can augment data for a specific class of images (pneumonia) using images from both classes (pneumonia and normal) in an image domain (chest X-rays). We demonstrate that using our proposed GAN-based data augmentation method significantly improves the performance of the state-of-the-art anomaly detection architecture, AnoGAN, in detecting pneumonia in chest X-rays, increasing AUC from 0.83 to 0.88.

研究动机与目标

• 为解决在小样本医学影像数据集上训练的 CNN 模型泛化能力差的问题，特别是针对胸部X光片中的肺炎检测。
• 克服标准数据增强方法仅生成现有数据的微小、非真实感变化的局限性。
• 探索生成模型不仅用于数据生成，还可作为工具用于增强另一生成模型的训练数据。
• 通过使用新型 GAN 架构进行特定类别数据增强，提升当前最先进的异常检测模型 AnoGAN 的性能。

提出的方法

• 所提出的 IAGAN 架构采用条件 GAN 框架，通过同时基于正常和肺炎图像进行条件控制，生成合成的肺炎类胸部X光片。
• 引入 Inception 模块以增强特征表示学习，提升生成图像的质量。
• 生成器经过训练，能够生成逼真、类别特定的增强样本，同时保持解剖学上的合理性与疾病特征模式。
• 判别器经过训练，能够区分真实图像与生成图像，同时受到目标异常检测模型（AnoGAN）特征空间的引导。
• 该方法采用半监督学习策略，利用带有标签的正常和肺炎图像，训练 GAN 以实现类别特定的数据增强。
• 生成的数据用于微调 AnoGAN，提升其在低数据环境下的异常检测能力。

实验结果

研究问题

• RQ1 GAN 是否能有效用于为下游异常检测模型生成逼真、类别特定的数据增强？
• RQ2 基于 GAN 的数据增强是否能提升 AnoGAN 在小样本胸部X光片数据集上检测肺炎的性能？
• RQ3 GAN 是否能够同时利用正常和肺炎图像，生成合理且逼真的合成肺炎图像以用于数据增强？
• RQ4 与标准数据增强技术相比，所提出的 IAGAN 方法在肺炎检测 AUC 提升方面表现如何？

主要发现

• 基于 IAGAN 的数据增强显著提升了 AnoGAN 在胸部X光片肺炎检测任务中的性能。
• 当使用 IAGAN 生成的数据进行训练时，AnoGAN 的 AUC 从 0.83 提升至 0.88，表明检测能力得到明显改善。
• 生成的图像逼真且保留了疾病特异性模式，从而在训练过程中实现有效泛化。
• 该方法优于标准数据增强技术，因其生成了更多样化且更逼真的训练样本。