Generative adversarial networks for robust medical image analysis

Abstract

Deep Learning models have been widely used for medical imaging tasks such as segmentation. However, these models tend to have low performances when applied to images that do not resemble the training dataset distribution. Thus, the robustness of medical segmentation models can be affected by external factors such as the quality of the input image, or by synthetic modifications such as adversarial attacks. In this work we present two novel approaches to increase robustness in medical segmentation by using Generative Adversarial Networks. First, we present UltraGAN, a method to improve the robustness to quality of ultrasound segmentation. Second, we present MedRobGAN, a method to generate adversarial examples that can later be used in improving the adversarial robustness for various 3D segmentation tasks.

Los modelos de aprendizaje profundo se han utilizado ampliamente para tareas de imágenes médicas como la segmentación. Sin embargo, estos modelos tienden a tener un rendimiento bajo cuando se aplican a imágenes que no se parecen a la distribución del conjunto de datos de entrenamiento. Por tanto, la robustez de los modelos de segmentación médica puede verse afectada por factores externos como la calidad de la imagen de entrada o por modificaciones sintéticas como los ataques adversarios. En este trabajo presentamos dos enfoques novedosos para aumentar la robustez en la segmentación médica mediante el uso de Redes Adversarias Generativas. Primero, presentamos UltraGAN, un método para mejorar la robustez a la calidad de la segmentación por ultrasonido. En segundo lugar, presentamos MedRobGAN, un método para generar ejemplos adversarios que luego se pueden utilizar para mejorar la robustez adversaria para varias tareas de segmentación 3D.