增强医学影像数据分析：65 项技术的全面目录

在医学影像领域，机器学习模型的训练需要大量且多样的训练数据集以确保鲁棒性与可泛化性。然而，由于每张图像需专家标注以及医学数据相关的隐私问题，获取此类多样异构数据可能十分困难。为规避这些挑战，数据增强已成为一种前景广阔且经济高效的技术，用于增加训练数据集的规模与多样性。本研究中，我们全面综述了医学影像中采用的具体数据增强技术并探讨其益处。我们对医学影像中使用的所有数据增强技术进行了深入研究，识别出 11 种不同目的并收集了 65 种不同技术。这些技术被归为基于空间变换、基于色彩与对比度调整、基于噪声、基于形变、基于数据混合、基于滤波器与掩码、基于分割、基于多尺度与多视角以及基于元学习的类别。我们观察到部分技术需手动指定所有参数，而其他技术依靠自动化根据任务需求调整增强类型与幅度。这些技术的使用使得开发更鲁棒的模型成为可能，可应用于数据有限或难以获取的领域。预计可用技术列表未来将扩展，为研究者提供更多可选方案。