基于 MCTS 的前列腺 MRI 分割动态数据增强
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。
Jun, 2021
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
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
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
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
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
提出了一种基于贝叶斯公式,利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法,能更好地生成新的标注训练样本,并在 MNIST,CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。
Oct, 2017
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
提出了一种适用于动态场景的 LiDAR 数据增强方法 D-Aug,该方法通过提取对象并将其插入动态场景,考虑这些对象在连续帧之间的连续性,并采用参考引导方法实现无缝插入动态场景,同时还提出了像素级道路识别策略来有效确定适合的插入位置,通过与不同的 3D 检测和跟踪方法在 nuScenes 数据集上进行验证,实验证明了 D-Aug 方法的优越性。
Apr, 2024
介绍了一种新的数据增广框架,通过生成式深度学习方法生成大规模宏小结肝细胞癌的多参数(T1 动脉,T1 门静脉和 T2)磁共振图像及其相应的肿瘤掩膜,所提出的方法在有限的多参数 MRI 三元组数据集上训练,生成了 1000 个合成三元组及其相应的肝脏肿瘤掩膜,Frechet Inception Distance 得分为 86.55,此方法是由法国放射学学会组织的 2021 年数据增广挑战中的获胜者之一。
Jul, 2023