数据增强与分割是否始终是必需的？——来自COVID-19胸片的洞察及其方法论
计算机视觉与模式识别
2026-04-30 v1
摘要
目的：快速可靠的诊断工具对于管理如COVID-19等呼吸疾病至关重要，其中胸片分析结合人工智能技术已被证明具有重要价值。然而，大多数现有作品未考虑肺部分割，这引发了可靠性的担忧。此外，一些作品采用不成比例且不切实际的数据增强技术，使模型更不具普适性且易产生过拟合。本研究对上述两个问题进行批判性分析，提出一种方法论（SDL-COVID）用于更可靠的COVID-19胸片分类。方法：我们使用类激活图（class activation mapping）获取卷积神经网络（CNN）预测的可视化理解，验证肺部分割的必要性。为分析数据增强的影响，在两个水平上实施深度学习模型：一个用于增强数据集，另一个用于非增强数据集。结果：在专家医学监督下仔细分析胸片及其相应热图，发现肺部分割对于准确预测COVID-19是必要的。关于数据增强，随着额外增强图像的数量增加，测试准确率显著下降，表明模型出现了过拟合。结论：我们提出的方法论SDL-COVID实现了 95.21% 的精确率和较低的假阴性率，确保其可靠性用于COVID-19胸片检测。
关键词
引用
@article{arxiv.2604.26437,
title = {Are Data Augmentation and Segmentation Always Necessary? Insights from COVID-19 X-Rays and a Methodology Thereof},
author = {Aman Swaraj and Arnav Agarwal and Hitendra Singh Bhadouria and Sandeep Kumar and Karan Verma},
journal= {arXiv preprint arXiv:2604.26437},
year = {2026}
}