ADASSM：基于图像的对抗式数据增强用于统计形状模型
计算机视觉与模式识别
2023-08-23 v3 图像与视频处理
摘要
统计形状模型(SSM)已被公认为识别群体中解剖形态变化的优秀工具。形状模型对给定队列中所有样本使用一致的形状表示，有助于比较形状并识别可检测病理且辅助制定治疗方案的变化。在医学影像中，从 CT/MRI 扫描计算这些形状表示需要耗时的预处理操作，包括但不限于解剖分割标注、配准和纹理去噪。深度学习模型已展现出直接从体图像中学习形状表示的卓越能力，催生了高效且高效的 Image-to-SSM 网络。然而，这些模型数据需求量大，且由于医学数据有限，深度学习模型往往过拟合。使用基于核密度估计(KDE)方法生成形状增强样本的离线数据增强技术，已成功辅助 Image-to-SSM 网络达到与传统 SSM 方法相当的精度。但这些增强方法侧重于形状增强，而深度学习模型表现出基于图像的纹理偏置，导致模型次优。本文通过利用数据依赖的噪声生成或纹理增强，为 Image-to-SSM 框架引入了一种新颖的在线数据增强策略。所提框架作为 Image-to-SSM 网络的对抗方进行训练，增强多样且具有挑战性的噪声样本。我们的方法通过鼓励模型关注底层几何而非仅依赖像素值，实现了精度提升。
引用
@article{arxiv.2307.03273,
title = {ADASSM: Adversarial Data Augmentation in Statistical Shape Models From Images},
author = {Mokshagna Sai Teja Karanam and Tushar Kataria and Krithika Iyer and Shireen Elhabian},
journal= {arXiv preprint arXiv:2307.03273},
year = {2023}
}