Apr, 2023

在医学图像分割中结合数据增强和保留前景区域

PDF
TL;DR本文提出了两种数据增强方法：KeepMask 和 KeepMix，用于医学图像分割的深度学习，可以更好地识别器官边界，实现更高精度的分割，并在 CHAOS 数据集和 MSD 脾数据集上分别比基线方法提高了 3.04％和 5.25％的 Dice 系数。
medical image segmentationdeep learningdata augmentationkeepmaskkeepmix
发现论文，激发创造
  • 使用已学习变换的数据增强技术进行一次性医学影像分割

    该研究提出了一种自动化数据增强方法，用于合成标记的医学图像，该方法可用于磁共振成像（MRI）的脑部扫描分割任务。该方法利用半监督方法，从未标注的扫描中学习图像变换模型，并使用标记示例合成其他标记示例。实验证明使用这些新示例进行监督分段器训练相比目前的一次性生物医学图像分割方法，有明显的改进。

    Feb, 2019

  • 半监督和任务驱动的数据增强

    本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

    Feb, 2019

  • KeepAugment：一个简单的信息保留数据增强方法

    本文提出了一种基于显著性图的数据增强方法 KeepAugment，通过保留图像中的重要区域进行增强，从而提高了深度学习系统的性能，在图像分类、半监督图像分类、多视角多摄像头跟踪和目标检测等领域获得了显著的结果。

    Nov, 2020

  • 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

  • AnatoMix：面向多器官分割的解剖感知数据增强

    通过深度学习的数据增强策略，我们提出了 AnatoMix 方法，可以增加多器官分割数据集的泛化能力，从而在公共 CT 数据集上实现了更高的平均 Dice 值（76.1）与基准方法（74.8）相比。

    Mar, 2024

  • LesionMix：医学图像分割的病灶级数据增强方法

    LesionMix 是一种新颖而简单的病变感知数据增强方法，在病变层面上进行增强，增加病变的形状、位置、强度和负载分布的多样性，并允许进行病变填充和修复，在多种模态和病变数据集上表现出有希望的病变图像分割性能，优于几种最近的基于混合的数据增强方法。

    Aug, 2023

  • 医学影像深度学习领域导向数据增强

    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

  • 皮肤病变分析的数据增强

    本文探讨了 13 种数据增强下三种卷积神经网络（Inception-v4、ResNet 和 DenseNet）对黑色素瘤分类的影响，结果表明数据增强可以在训练和测试中都提高性能，且可以比获得新图像更有效。最佳情况下，不借助外部数据的黑色素瘤分类 AUC 为 0.882，超过了使用附加数据进行训练的 ISIC Challenge 2017 的最佳结果（0.874）。

    Sep, 2018

  • 探索数据增强对可行驶区域分割的影响

    本研究调查了数据增广对城市街景图像数据集中用于实施自动驾驶感知的实时可行驶区域分割模型的性能和鲁棒性的影响。结果表明，采用数据增广可以在不增加模型复杂性或推断时间的情况下显着提高现有技术的性能和鲁棒性。

    Aug, 2022

  • 在分割中联合优化类别特定的训练和测试时数据增强

    本文提出了一种针对医学图像分割的高效通用数据增强框架，采用了计算效率高且数据效率高的基于梯度的元学习方案，通过使用用于未见测试数据的代理验证数据明确对齐训练和验证数据的分布以改进增广策略。本文通过两个核心设计改进了当前数据增广策略，即在训练时有效学习类别特定的数据增强并联合优化训练时和测试时数据增强，实验证明该方法针对医学图像分割存在的分类不平衡问题，可显著且一致地提高分割效果。

    May, 2023