May, 2023

在分割中联合优化类别特定的训练和测试时数据增强

PDF
TL;DR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。
发现论文，激发创造
  • 检测时生成式增强用于医学图像分割

    本文提出了一种新颖的方法来增强测试时间内的医学图像分割，通过将生成模型整合到测试时间扩充中，可以有效地生成给定测试样本的多个视图，从而提高分割结果的可靠性。

    Jun, 2024

  • 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

  • 三维点云分类和分割的测试时间数据增强

    本研究探讨了 3D 点云的测试时间数据增强方法，并使用隐式表示和点云上采样技术作为系统化方法，通过从重构结果中采样点并将其用作测试时间增强数据来改进准确性。此方法对于稀疏点云的目标分类和分割等下游任务在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上表现出更为显著的性能提升。

    Nov, 2023

  • 基于卷积神经网络和测试时间增强的自动脑肿瘤分割

    本文介绍了使用深度卷积神经网络及数据增强和测试增强技术来提高脑肿瘤分割的准确性和不确定性估计。

    Oct, 2018

  • 测试时间数据扩增的学习损失

    该研究提出了一种基于实例的测试时间数据增强方法，使用辅助模块来预测每种可能的转换的损失，并将预测损失较低的转换应用于输入，实验结果表明该方法提高了模型对多种损坏的鲁棒性。

    Oct, 2020

  • 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

  • 在医学图像分割中结合数据增强和保留前景区域

    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。

    Apr, 2023

  • 无监督增强优化用于小样本医学图像分割

    本研究提出了一种在没有人工注释的情况下通过解决部位内相似度和类内相似度之间分配匹配问题来确定最佳数据增强参数的优化框架，进而在医学图像分割中证明了其对于提升 few-shot 模型性能的有效性。

    Jun, 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