基于深度学习的有限数据加速 MRI 重建中的数据增强

ICMLJun, 2021

基于深度学习的有限数据加速 MRI 重建中的数据增强

Data augmentation for deep learning based accelerated MRI reconstruction with limited data

Zalan Fabian, Reinhard Heckel, Mahdi Soltanolkotabi

TL;DR本研究针对医学图像重建问题，提出了一种数据增强（DA）的方法 MRAugment，通过多项实验证明，在训练数据较少的情况下，MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平；而在大量训练数据下，MRAugment 的效果则有所降低。此外，研究结果还表明，DA 方法能提高模型对于测试数据偏移的鲁棒性。

Abstract

deep neural networks have emerged as very successful tools for image restoration and reconstruction tasks. These networks are often trained end-to-end to directly reconstruct an image from a noisy or corrupted measurement of that image. To achieve state-of-the-art performance, training

deep neural networks data augmentation mri reconstruction medical imaging overfitting prevention

发现论文，激发创造

基于 MCTS 的前列腺 MRI 分割动态数据增强

本研究提出了一种自适应数据增强方法，称为 DDAug，它通过动态建立一棵树状结构，使用高效的蒙特卡罗树搜索算法来更新、修剪和采样该树，从而自动优化数据集的数据增强管道，实验结果表明该方法优于当前最先进的数据增强策略。

May, 2023

加速 MRI 的深度学习鲁棒性：多样训练数据的益处

深度学习在图像重建中是当前各种成像任务的最先进方法，研究发现使用不同数据分布来训练模型相对于单一数据分布训练的模型在加速磁共振成像上表现出更好的鲁棒性和性能，并且不会削弱模型在特定分布下的性能。

Dec, 2023

基于数据增强的医学成像领域无监督域适应

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

基于解剖知识的数据增强方法增强前列腺癌检测

通过模拟前列腺的典型生理变形并生成独特病变形状，我们提出了一种新的解剖学感知变形方法，将其应用于数据增强以增加训练集中器官和肿瘤形状的多样性，从而提高计算机辅助诊断系统对前列腺癌的检测效果。

Sep, 2023

关于生成对抗网络训练中的数据增强

本研究提出了一个称为 Data Augmentation Optimized for GAN (DAG) 的框架，用于在 GAN 训练中使用增强数据来改善原始分布的学习，通过理论分析表明该方法有效地利用增强数据来提高鉴别器和生成器的学习，并在自然图像和医疗图像数据集上证明了 DAG 的有效性和优越性。

Jun, 2020

何时学习什么：模型自适应数据增强课程

模型自适应数据增强（MADAug）是一种通过训练数据增强策略网络来向模型教授何时学习何事的方法，旨在优化泛化性能。MADAug 通过模型自适应策略在训练阶段选择每个输入图像的增强操作，构建逐步优化的数据增强课程。在多个图像分类任务中，MADAug 在性能上超过或与其他基线方法相媲美，并且在所有类别中都能带来改进，特别是对于难分类的类别。此外，MADAug 的策略在转移到细粒度数据集时表现更好，逐渐引入越来越大的扰动，并自然地形成一个从简单到困难的课程。

Sep, 2023

AdaAugment：一种无需调优的自适应数据增强方法

AdaAugment 是一种无需调参的创新自适应增强方法，利用强化学习根据目标网络的实时反馈动态调整个别训练样本的增强程度，通过优化策略网络和目标网络的联合来有效适应增强程度，从而在效果和效率上一致性地优于其他最先进的数据增强方法。

May, 2024

MR 图像分割的逼真对抗数据增强

本文提出了一种对神经网络进行医疗图像分割的对抗性数据增强方法，生成真实信号失真来模拟由一种常见的造影剂称为偏差场引起的强度不均匀性，该方法可用于有监督和半监督学习中的一般分割网络的插件模块，并且在低数据情况下显著提高了模型的泛化能力和鲁棒性。

Jun, 2020

学习更少，学得更好：有效增强对视觉强化学习的样本效率

本文探究了数据增强技术在视觉强化学习中的有效性，研究数据增强的相关特征对样本效率的影响并提出了新的操作方法 Random PadResize 和循环增强（Cycling Augmentation）以提高样本利用效率。在 DeepMind 控制套件和 CARLA 驾驶模拟器上的广泛评估表明，与先前的最先进方法相比，我们的方法实现了更好的样本效率。

May, 2023

基于双层优化的组织病理学图像自动数据增强学习

通过自动数据增强学习方法，我们提出了一个神经网络模型训练的解决方案，可以自动学习改善模型训练所需的颜色和几何变换参数，特别适用于组织病理学图像的分类任务。

Jul, 2023