Using Synthetic Images to Augment Small Medical Image Datasets
Created by
- Haebom
Category
Empty
저자
Minh H. Vu, Lorenzo Tronchin, Tufve Nyholm, Tommy Lofstedt
개요
본 논문은 의료 영상 분야에서의 심층 학습 모델 학습을 위한 데이터 증강 기법으로, StyleGAN2를 기반으로 한 새로운 조건부 GAN을 제안합니다. 의료 영상 데이터의 라벨링 작업이 어렵고 시간이 많이 소요되어 데이터셋 크기가 작은 문제를 해결하고자, 고해상도 다중 모드 의료 영상을 생성하여 작은 의료 영상 데이터셋을 증강하는 것을 목표로 합니다. 6개의 데이터셋을 사용하여 합성 영상과 실제 영상으로 의미론적 분할 모델을 학습시켰고, 생성된 의료 영상의 질과 데이터 증강의 분할 성능에 대한 영향을 평가했습니다. 결과적으로, 생성된 영상이 분할 모델 성능 향상에 기여하지 못했음을 확인하였으며, 추가 연구를 통해 데이터 증강의 영향을 더 자세히 분석할 필요가 있음을 시사합니다.
시사점, 한계점
•
시사점: StyleGAN2 기반의 조건부 GAN을 이용한 의료 영상 합성 기법을 제시하여 작은 의료 영상 데이터셋 증강 문제에 대한 새로운 접근 방식을 제시하였습니다. 다중 모드 고해상도 의료 영상 생성 가능성을 확인했습니다.
•
한계점: 제안된 방법이 의미론적 분할 성능 향상에 기여하지 못했습니다. 합성 영상의 질과 데이터 증강 효과에 대한 추가적인 분석 및 연구가 필요합니다. 분할 성능에 영향을 미치는 요인에 대한 심층적인 이해가 부족합니다.
