Aug, 2023

LesionMix：医学图像分割的病灶级数据增强方法

PDF
TL;DRLesionMix 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。
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

  • 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

  • ClassMix: 基于分割的数据增强用于半监督学习

    本文介绍了一种针对语义分割任务的数据增强方法 ——ClassMix，其通过混合未标记的样本来生成增强，并通过利用网络对对象边界的预测来保证增强的有效性，在两个常用半监督语义分割基准测试中表现出了最先进的结果，并提供了详细的消融研究和不同设计和培训方式的比较。

    Jul, 2020

  • GenMix：结合生成与混合数据增强的医学影像分类

    本研究提出了名为 GenMix 的新型数据增强技术，它结合了生成和混合方法以发挥两种方法的优势。通过在合成图像和真实数据之间进行混合，GenMix 改善了合成数据的质量和多样性，同时也提升了生成模型的新模式学习和混合模型的边界增强能力。验证实验证明 GenMix 提高了不同生成模型（包括 DCGAN，StyleGAN，Textual Inversion 和 Diffusion Models）在 CT 图像中分类肝脏病变的性能。值得注意的是，与无微调扩散模型的其他方法相比，采用 Textual Inversion 的提议方法在 FLL 数据集上表现更好。

    May, 2024

  • 自我监督的大脑损伤生成，用于医学图像的有效数据增强

    提出了一个综合框架，通过基于对抗自编码器的病变生成器和软泊松融合算法，高效地生成用于训练脑部病变分割模型的新的逼真样本，并引入原型一致性正则化以实现真实和合成特征的对齐，验证表明该方法在两个公共脑部病变分割数据集上优于现有的数据增强方案。

    Jun, 2024

  • 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

  • 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

  • PCLMix: 弱监督医学图像分割的像素级对比学习和动态混合增强

    提出了一种名为 PCLMix 的新型弱监督医学图像分割框架，通过引入动态混合增强、像素级对比学习和一致性正则化策略，解决了弱监督图像分割中局部到全局区域的准确传播监督信号的挑战，并成功缩小了弱监督和全监督分割方法之间的差距。

    May, 2024

  • ResizeMix：混合数据以保留对象信息和真实标签

    通过研究发现，基于图像显著性信息的数据混合并不一定对增强性能有太大帮助，采用更有效、更易于实现的 ResizeMix 方法进行数据混合比 CutMix 和基于显著性信息的方法更具优势。

    Dec, 2020

  • MRI 上局部伽马增强对缺血性脑卒中损伤分割的研究

    鉴别和定位医学图像中的病理组织在深度学习领域仍然备受关注。我们提出了一种局部伽玛增强技术，通过引入新的病理组织灰度值实例来改善深度神经网络在脑部 MRI 上对缺血性卒中损伤的分割任务的图像级敏感性。

    Jan, 2024