SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images 论文链接：https://arxiv.org/abs/2011.07534 表现SOTA！性能优于AGGAN、UAGGAN等网络，可提高医学图像分类的准确性和AUC，而且可应用于其他医学图像领域，提高计算机辅助诊断的准确性。作者单位：河北工业大学, 澳门大学, 牛津大学, 哈工大

最近，深度学习方法，特别是卷积神经网络（CNN），已导致计算机视觉范围的巨大突破。同样，大规模的注释数据集是成功训练过程的关键。但是，要在医学领域获得此类数据集是一个巨大的挑战。为此，我们提出了一种数据增广方法，用于使用cycleGAN生成合成医学图像。我们添加了半监督注意力模块来生成不错的图像。我们将肿瘤图像和正常图像视为两个域。提出的基于GANs的模型可以从正常图像生成肿瘤图像，进而可以从肿瘤图像生成正常图像。此外，我们表明生成的医学图像可用于改进ResNet18的医学图像分类性能。我们的模型应用于肿瘤MRI图像的三个有限数据集。我们首先在有限的数据集上生成MRI图像，然后训练了三种流行的分类模型以获得最佳的肿瘤分类模型。最后，我们使用具有经典数据扩充方法的真实图像训练分类模型，并使用合成图像训练分类模型。这些训练模型之间的分类结果表明，与传统的数据增强方法相比，所提出的SAG-GAN数据增强方法可以提高准确性和AUC。我们认为，提出的数据增强方法可以应用于其他医学图像领域，并提高计算机辅助诊断的准确性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除