基于生成对抗网络的医学数据域适应研究

点击上方蓝字关注我们

基于生成对抗网络的医学数据域适应研究

于胡飞, 温景熙, 辛江, 唐艳

中南大学计算机学院，湖南 长沙 410083

 

摘要：在医疗影像辅助诊断研究中，研究者通常使用不同医院（多域）的数据，但当其中一个域的训练样本较少时，模型在该域的测试集上的分类结果将会很差。针对此问题，提出一种基于生成对抗网络的分类方法进行男女脑影像差异的域适应研究，首先使用生成对抗网络学习不同域的数据分布，并提取关键特征，然后基于提取的关键特征研究不同域的男女脑影像差异。实验表明，该方法在仅有少量数据参与训练的域上也能取得80%以上的分类准确度。

关键词： 深度学习 ; 生成对抗网络 ; 域适应 ; 医疗影像

论文引用格式：

于胡飞,温景熙,辛江, 等. 基于生成对抗网络的医学数据域适应研究[J]. 大数据, 2020, 6(5): 45-54.

YU H F, WEN J X, XIN J, et al. Study on domain adaptation of medical data based on generative adversarial network[J]. Big Data Research, 2020, 6(5): 45-54.

1 引言

在医疗图像领域，深度学习技术被广泛应用到疾病的辅助诊断、医学图像增强和病变检测以及病理研究中。在脑影像研究中，目前对人脑进行研究时使用的数据大部分是由同一型号、同一参数的机器采集的。不同型号或参数产生的机器噪声会造成数据的分布不一致。然而，来自同一型号、同一参数的机器采集的同分布的数据往往数量很少。目前对深度学习的研究往往依赖大量的有标签的训练数据，当来自某一个域（目标域）的有标签训练数据量缺乏时，如何利用已有的大量其他域的有标签医疗影像的数据来提升模型在目标域测试数据上的泛化能力呢？这就引出了机器学习领域的一个重要的研究方向——域适应。域适应旨在研究如何提高机器学习模型在未经训练的目标域上的泛化能力。在深度学习领域，针对域适应的研究有很多，在参考文献中，研究人员通过不断拉近源域和目标域数据在特征空间上的分布来研究域适应学习问题。不同于数据整合（将多个域的数据处理成一个源域的数据，并把这些数据随机划分成训练集和测试集），域适应研究的是如何使用大量的其他域的训练数据和少量目标域的训练数据训练出一个对目标域测试数据泛化能力良好的模型。生成对抗网络的优点是它能够很好地学习数据的分布，从而很好地提取未经训练的数据的特征。因此本文的工作使用生成对抗网络来研究脑影像的域适应问题。

在深度学习领域，生成对抗网络是一种比较优秀的生成模型，它能够有效地学习训练数据的分布。医学领域的很多研究工作使用了生成对抗网络，如对医疗图像的分割、分类、检测和去噪等。医学图像中病变特征的检测和形状识别一直是许多研究人员关注的重点，生成对抗网络也被应用到医学图像的自动分割中。在医学图像的自动分割中，生成对抗网络主要被用于对大脑图像、眼底图像和显微图像进行分割，一般使用残差网络和U-Net作为生成对抗网络的生成器，完成对医学图像的分割。在医学图像的分类任务中，生成对抗网络仍然是值得研究的技术之一。参考基于生成对抗网络提出了一种半监督生成对抗网络来对心脏超声中的有用图像和非有用图像进行分类，作者通过实验发现，基于生成对抗网络的分类模型的识别准确度和稳定性都高于普通的卷积神经网络分类模型。自动编码器是一种自动学习数据降维和重要特征提取的技术，能否将自动编码器和生成对抗网络结合在一起构成一个强大的特征提取模型，从而有效地学习如何提取不同分布的数据的重要特征？为此，本文提出了一种基于生成对抗网络的分类方法，从提升模型泛化能力的