مقاله یک شبکه متخاصم مولد پارامتری با استفاده از پروجکشن چرخه‌ای برای طبقه‌بندی تصویر پزشکی قابل توضیح

چکیده

Although current data augmentation methods are successful to alleviate the data insufficiency, conventional augmentation are primarily intra-domain while advanced generative adversarial networks (GANs) generate images remaining uncertain, particularly in small-scale datasets. In this paper, we propose a parameterized GAN (ParaGAN) that effectively controls the changes of synthetic samples among domains and highlights the attention regions for downstream classification. Specifically, ParaGAN incorporates projection distance parameters in cyclic projection and projects the source images to the decision boundary to obtain the class-difference maps. Our experiments show that ParaGAN can consistently outperform the existing augmentation methods with explainable classification on two small-scale medical datasets.

چکیده به فارسی (ترجمه ماشینی)

اگرچه روشهای افزایش داده های فعلی برای کاهش نارسایی داده ها موفقیت آمیز هستند ، اما تقویت معمولی در درجه اول درون دامنه است در حالی که شبکه های مخالف تولیدی پیشرفته (GANS) تصاویر باقی مانده باقی مانده ، به ویژه در مجموعه داده های در مقیاس کوچک را تولید می کنند.در این مقاله ، ما یک GAN پارامتری (پاراگانی) پیشنهاد می کنیم که به طور موثری تغییرات نمونه های مصنوعی را در بین دامنه ها کنترل می کند و مناطق توجه را برای طبقه بندی پایین دست برجسته می کند.به طور خاص ، Paragan پاراگهای فاصله از پیش بینی را در طرح ریزی چرخه ای در بر می گیرد و تصاویر منبع را به مرز تصمیم گیری برای به دست آوردن نقشه های اختلاف کلاس طراحی می کند.آزمایشات ما نشان می دهد که پاراگان می تواند به طور مداوم از روشهای تقویت موجود با طبقه بندی قابل توضیح در دو مجموعه داده پزشکی در مقیاس کوچک بهتر عمل کند.