基于深度强化学习的自动数据增强用于高效肾肿瘤分割
图像与视频处理
2020-02-25 v1 计算机视觉与模式识别
摘要
通过执行简单预处理操作（如旋转、裁剪等）实现的传统数据增强，已证实其在提升医学图像分割性能方面的优势。然而，这些传统增强方法生成的数据是随机的，且有时对后续分割有害。在本文中，我们开发了一种新颖的基于自动学习的数据增强方法用于医学图像分割，该方法将增强任务建模为使用深度强化学习（DRL）的试错过程。在我们的方法中，我们创新性地以端到端训练方式和一致损失将数据分析增强模块与后续分割模块相结合。具体而言，通过在可用验证集上直接最大化性能提升（即 Dice 系数）来自动学习不同基本操作的最佳顺序组合。我们在 CT 肾肿瘤分割上广泛评估了我们的方法，验证了其方法的前景结果。
引用
@article{arxiv.2002.09703,
title = {Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation},
author = {Tiexin Qin and Ziyuan Wang and Kelei He and Yinghuan Shi and Yang Gao and Dinggang Shen},
journal= {arXiv preprint arXiv:2002.09703},
year = {2020}
}
备注
5 pages, 3 figures