使用医疗无关的风格转换增强来学习用于计算病理学的通用视觉表示
本研究提出了一种基于特征域风格混合的技术,利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较,发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。
Oct, 2023
本文介绍了一种名为 CompStyle 的新型框架,利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布,以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能,而无需额外的培训时间或资源。
Jun, 2024
提出了一种针对医疗图像分析中源域不匹配问题的新框架,该框架采用风格随机化模块和内容一致性正则化,旨在提取既与病理特异性有关、同时又具有域不可知特性的高级语义特征。在未经训练的测试数据集上的广泛实验表明,该方法更加健壮,达到了最先进的性能水平。
Feb, 2023
本文提出了一种基于随机样式转换的数据增广方法,即样式增广,以提高卷积神经网络在分类、回归和领域迁移任务中的鲁棒性。在训练期间,通过从多元正态分布中采样输入样式嵌入,将任意样式转换网络调整为执行样式随机化,以随机化纹理、对比度和颜色,同时保留形状和语义内容,并且与传统的数据增广技术相结合以改进网络性能。通过分类和单目深度估计领域迁移实验的验证,证明本文提出的技术方法能够提高模型的泛化能力。
Sep, 2018
本文针对深度学习部署时出现的不稳定问题,研究了领域泛化方法和数据增强策略。作者聚焦于风格迁移数据增强,展示了如何以简便廉价的策略实现增强,分析了现有领域泛化方法与该策略结合时的表现,并提出了新的领域泛化研究方向。
Jan, 2021
我们提出了一种新颖的生成方法用于组织病理学图像的领域泛化,通过使用一种生成的自监督视觉转换器从图像片段中提取特征,并将它们无缝地融合到原始图像中,从而创建具有不同属性的新颖的合成图像,丰富数据集,从而提高深度学习模型在未见领域中的泛化能力。
Jul, 2024
本文提出了一种用于医学图像领域通用性问题的 Deep Stacked Transformations (DST) 方法,并通过对三种任务的测试表明,DST 模型对于未曾接触的数据集性能的下降仅有 11% 左右,可更好地应对图像域的差异,因此可以在更临床上的任务中发挥作用。
Jun, 2019
基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制,往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法,通过利用 MRI 特定的增强技术,在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估,并与目前最先进的方法进行比较。结果表明,我们提出的方法在各种任务中均具有高准确性、广泛适用性,并且对于不同领域的转移表现出非凡的鲁棒性,超过了大部分情况下的最先进性能。
Aug, 2023
本研究探讨了领域特定的数据增强对医学成像任务的作用,使用了胎儿超声 FETAL-125 和 OB-125 数据集,发现通过上下文保留的 cut-paste 策略,可以创建有效的训练数据,并通过基准测试数据集的表现来评估模型性能,结果表明,通过在线方式训练的模型在 FETAL-125 和 OB-125 数据集上的表现与使用传统数据增强训练的模型类似。最后提供开源代码,便于设计并应用领域指导的数据增强策略处理医学成像任务。
Oct, 2022
本研究评估了采用神经风格转换作为数据增强方法对图像分类任务的有效性,并在 Caltech 101 和 Caltech 256 数据集上获得了大约 2%的准确度提高。同时,还将神经风格转换方法与传统数据增强方法相结合,进一步提高了图像分类的性能。这项工作展示了神经风格转换在计算机视觉领域的潜力,例如帮助我们减轻收集足够标记数据的难度并提高通用基于图像的深度学习算法的性能。
Sep, 2019