基于卷积神经网络的前列腺癌扩散加权MRI检测中数据增强策略的综合研究
定量方法
2020-06-03 v1 计算机视觉与模式识别
机器学习
图像与视频处理
机器学习
摘要
数据增强指一组旨在应对可用数据量有限、改善模型泛化能力并将样本分布推向真实分布的技术。尽管在深度学习的背景下，不同的增强策略及其组合已针对各种计算机视觉任务进行了研究，但在医学影像领域的专门工作很少，且据我们所知，尚未有专门工作探讨各种增强方法对深度学习模型在前列腺癌检测中性能的影响。在本工作中，我们将五种最常用增强技术（随机旋转、水平翻转、垂直翻转、随机裁剪和平移）分别静态应用于217名患者的前列腺扩散加权磁共振成像训练数据集，并评估每种方法对前列腺癌检测准确率的影响。增强算法独立应用于每个数据通道，并在五个增强集合上分别训练了一个浅层和一个深层卷积神经网络（CNN）。我们使用受试者工作特征（ROC）曲线下面积（AUC）在95名患者的独立测试集上评估训练后CNN的性能，并使用102名患者的验证集进行微调。浅层网络优于深层网络，旋转方法取得了最佳的基于2D切片的AUC 0.85。
引用
@article{arxiv.2006.01693,
title = {A Comprehensive Study of Data Augmentation Strategies for Prostate Cancer Detection in Diffusion-weighted MRI using Convolutional Neural Networks},
author = {Ruqian Hao and Khashayar Namdar and Lin Liu and Masoom A. Haider and Farzad Khalvati},
journal= {arXiv preprint arXiv:2006.01693},
year = {2020}
}