分析医学图像的数据增强方法:超声图像案例研究
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
深度生成模型在医学图像增强中的应用和潜力是本综述的重点,旨在通过人工合成更真实多样且符合数据真实分布的数据样本来改善医学图像分析中深度学习算法的性能,涵盖了三种类型的深度生成模型:变分自编码器、生成对抗网络和扩散模型。
Jul, 2023
本文研究数据增强在图像分类中的应用,对比了多种增强技术,包括传统的裁剪、旋转和翻转以及使用 GAN 生成不同风格的图像,并提出了一种名为神经增强的方法,通过训练神经网络自学习增强,以提升分类器性能,对该方法在不同数据集上表现的优劣进行了讨论。
Dec, 2017
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
本文系统地综述了不同的图像数据增强方法,提出了分类学,分析了这些方法的优点和局限性,以及在三个典型的计算机视觉任务上所做的大量实验,包括语义分割,图像分类和物体检测。最后,我们讨论了数据增强面临的挑战以及未来的研究方向,以提出一些有用的研究指导。
Apr, 2022
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
本文介绍了深度学习算法在计算机视觉任务中的性能表现,以及数据增强技术对应对过拟合问题的应用。在这篇文章中,我们提供了数据增强技术的背景知识和综述,通过对现有的数据增强技术进行分类和比较,从而指导研究者选择适合自己的方法。我们还研究了数据增强技术的综合效果,得出结论可以显著提升图像分类、目标检测和语义分割的性能,我们提供了代码用于结果复现,并探讨了该领域未来的研究方向与挑战。
Jan, 2023
该研究使用 StyleGAN2-ADA 和传统图像变换等方法对 COVID-19 胸部 X 射线图像进行了数据扩充,并进行了多类别分类问题的研究,结果表明以传统图像变换为基础的数据扩充方法更加适合该数据集。
Apr, 2023
数据增强是一系列通过操作现有数据样本生成高质量人工数据的技术,利用数据增强技术可以显著提高人工智能模型在涉及稀缺或不平衡数据集的任务中的适用性,从而大大提高模型的泛化能力。本文提出了一个更具启发性的分类法,该分类法涵盖了不同常见数据形式的数据增强技术,并通过一种统一的归纳方法对这些方法进行了分类。
May, 2024
本文从转换类型和方法的角度系统地回顾了现有的人脸数据增强研究,特别关注于基于深度学习的方法,尤其是生成式对抗网络。研究结果表明,这些方法为丰富人脸训练集并提高其质量提供了更有效的工具,并提出了评价它们的指标及未来的挑战。
Apr, 2019