基于 GANS 的数据增强方法在中等和大型数据集的情况下与传统增强方法相当,但在较小的数据集的情况下表现不佳。无论采用何种增强方法,原始数据集的大小与分类质量之间存在相关性。
Jan, 2024
该研究使用 StyleGAN2-ADA 和传统图像变换等方法对 COVID-19 胸部 X 射线图像进行了数据扩充,并进行了多类别分类问题的研究,结果表明以传统图像变换为基础的数据扩充方法更加适合该数据集。
Apr, 2023
本文使用生成式对抗网络(GAN)生成的合成数据来增加医学成像训练数据集的样本数量,从而提高监督式机器学习算法对图像分割任务的性能。
Oct, 2018
使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的,然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。
Jun, 2023
通过使用生成对抗网络进行病理图像的模拟,摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题,将生成的图像和真实图像结合,使用 DCNN 检测肺部 X 光片的五个类别,通过生成的图像均衡数据集,DCNN 的性能得到了提高。
Nov, 2017
使用生成对抗网络的合成数据,结合传统数据增强方法来提高乳腺癌分类的性能。
Jul, 2018
本文提出了使用生成对抗网络(GAN)生成机器学习任务的人工训练数据,以解决样本不平衡问题与个人隐私数据问题,在多个基准数据集上测试表明,使用 GAN 生成的训练数据进行决策树分类器训练可以取得与使用原始数据集训练 DT 相同或更好的准确性和召回率.
Apr, 2019
本研究分析了 43 项 GAN 生成合成数据的研究的发表情况,并发现存在数据偏见、缺乏可复现性、缺乏来自放射学家或其他领域专家的反馈等问题。最后,提出了建议以指导未来的研究。
使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好,在数据匿名化方面也只在分布不同的测试集上表现良好。因此,对于医学应用需要谨慎使用此技术。
Apr, 2021
使用生成对抗网络合成医学图像,然后将其用于合成数据增强以提高卷积神经网络在医学图像分类中的性能。
Mar, 2018