TSynD: Targeted Synthetic Data Generation for Enhanced Medical Image Classification

使用医学图像数据进行大规模机器学习的训练是非常具有挑战性的，因为这种数据稀缺且生成数据注释的成本很高，通常需要医疗专业人员的参与。生成模型的快速发展使得利用大量逼真的合成数据来进行训练成为可能。然而，随机选择合成样本可能不是最优策略。在这项工作中，我们研究了有针对性地生成合成训练数据，以提高图像分类的准确性和鲁棒性。因此，我们的方法旨在引导生成模型合成具有高认识不确定性的数据，因为大量认识不确定性表明训练集中存在代表不足的数据点。在图像生成过程中，我们将由自动编码器重建的图像馈送到分类器中，并计算类概率分布的互信息作为不确定性的衡量标准。通过优化过程改变自动编码器的特征空间，以最大化解码图像上的分类器不确定性。通过对这样的数据进行训练，我们提高了在几个分类任务中的性能和对测试时间数据增强和对抗攻击的鲁棒性。

如何利用生成模型生成高质量的医学图像数据，以提高图像分类的准确性和鲁棒性？

通过指导生成模型生成具有高认知不确定性的合成数据来改善分类器的性能和鲁棒性，从而优化特征空间，提高分类器对重建图像的不确定性。

论文通过优化特征空间，指导生成模型生成具有高认知不确定性的合成数据，从而提高分类器的性能和鲁棒性。实验表明，该方法能够提高分类器对测试数据增强和对抗性攻击的鲁棒性。

在医学图像数据生成和分类方面，还有一些相关研究，如《Synthetic Medical Images from Dual Generative Adversarial Networks》和《Using Deep Learning to Adress the Challenge of Class Imbalance in Medical Image Classification》。