基于Self-Attention StyleGAN的皮肤癌图像生成与分类

针对以黑色素瘤为代表的皮肤癌分类任务存在数据集各类样本数量、权重不均衡,且现有的对抗生成网络生成的皮肤癌样本图像质量较差导致临床诊断时难以分辨等问题,提出了一种基于自注意力的样式生成对抗网络(Self-Attention StyleGAN)与SE-ResNeXt-50相结合的皮肤癌图像样本生成与分类框架。该框架在样式生成对抗网络(StyleGAN)的基础上引入了自注意力机制,对生成器的样式控制和噪声输入结构进行了重新设计,并重构了鉴别器对图像生成器进行了调整,从而有效地合成高质量的皮肤癌病变图像。使用SE-ResNeXt-50来对皮肤癌样本图像进行分类,更好地提取样本图像不同层次特征图的信息,从而提高了平衡多类精度(BMA)。实验结果表明,该模型在ISIC2019皮肤癌数据集上生成的样本图像质量较高,且分类BMA达到94.71%。该方法提高了皮肤癌病变图像分类的准确性,帮助皮肤科医生对不同类型的皮肤癌病变进行判断和诊断,并对不同阶段和难以区分的皮肤癌病变进行分析。

基于增强型半监督生成对抗网络的糖尿病视网膜病变识别

糖尿病视网膜病变(Diabetic Retinopathy, DR)是由糖尿病引起的视网膜血管壁受损致使视觉功能下降的一种具有特异性改变的眼底病变,是主要致盲疾病之一。在医学图像处理中,糖尿病视网膜病变诊疗通常面临高质量标注样本少和未标注数据不能充分利用的困境。基于此,本文利用增强的半监督生成对抗网络对糖尿病视网膜病变等级和程度进行识别,实现更高的识别精度和泛化能力,最终四分类任务中准确率达到77.2%,二分类任务中AUC达到93.9%。