学习可迁移的基于对象中心的同胚变换以用于医学图像分割的数据增强
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
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
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
本研究提出了一种使用预训练的潜在扩散模型来扩充数据集的方法,并引入了实例级数据增强的概念。该方法通过重新绘制场景内的个别对象来改善卓越的显著目标检测、语义分割和物体检测模型的性能和泛化能力,并在需要数据匿名化时,通过重新绘制隐私敏感实例来实现。
Jun, 2024
通过评估 39 种数据增强类型对广泛使用的 OOD 数据集的影响,证明了每种数据增强对模型对 OOD 数据的鲁棒性的影响,并进一步证明了所述假设不成立;形状偏差的增加不一定导致更高的 OOD 鲁棒性。通过分析结果,还发现 ImageNet-1K 数据集中的一些偏差可以通过适当的数据增强来减小。我们的评估结果进一步表明,域内准确性和 OOD 鲁棒性之间不一定存在权衡,选择适当的增强方法可以同时提高域内准确性和 OOD 鲁棒性。
Jun, 2024
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
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
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
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
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