利用深度学习克服伤口分类中数据稀缺的数据增强技术研究
计算机视觉与模式识别
2024-11-06 v1 图像与视频处理
摘要
慢性伤口对个人和医疗系统造成重大负担，影响数百万人并产生高昂成本。利用深度学习技术进行伤口分类是一种有前景的快速诊断和治疗启动方法。然而，缺乏高质量数据来训练机器学习模型是实现机器学习在伤口护理中潜力的主要挑战。实际上，数据限制是当今使用医学或法医成像的研究中最大的挑战。我们研究了可用于克服数据稀缺限制并释放基于深度学习的解决方案潜力的数据增强技术。在我们的研究中，我们探索了从伤口图像的几何变换到先进的GAN的一系列数据增强技术，以丰富和扩展数据集。使用Keras、Tensorflow和Pandas库，我们实现了可以生成逼真伤口图像的数据增强技术。我们表明，几何数据增强可以将分类性能F1分数提高多达11%，优于最先进的模型，涵盖伤口的几个关键类别。我们关于基于GAN的增强的实验证明了使用DE-GAN生成具有更丰富变化的伤口图像的可行性。我们的研究和结果表明，数据增强是一种有价值的隐私保护工具，具有克服数据稀缺限制的巨大潜力，我们相信它将成为任何基于机器学习的真实伤口护理系统的一部分。
引用
@article{arxiv.2411.02456,
title = {A Study of Data Augmentation Techniques to Overcome Data Scarcity in Wound Classification using Deep Learning},
author = {Harini Narayanan and Sindhu Ghanta},
journal= {arXiv preprint arXiv:2411.02456},
year = {2024}
}