通过伪标签生成进行跨任务数据增强以实现基于区域的冠状动脉实例分割
图像与视频处理
2024-07-22 v2 计算机视觉与模式识别
机器学习
摘要
冠状动脉疾病（CADs）虽可预防，却是导致死亡和残疾的主要原因之一。此类疾病的诊断通常困难且资源密集。动脉的血管造影图像分割已发展为一种辅助工具，帮助临床医生做出准确诊断。然而，由于数据量有限且数据集整理困难，分割任务颇具挑战。在本研究中，我们引入伪标签以解决血管造影数据集中数据有限的问题，从而提升基线 YOLO 模型的性能。与现有局限于固定数据集来改进模型的数据增强技术不同，我们提出在一项独立相关任务的数据集上生成伪标签，以丰富并提升模型性能。该方法在验证数据集上将基线 F1 分数提高了 9%，在测试数据集上提高了 3%。
引用
@article{arxiv.2310.05990,
title = {Cross-Task Data Augmentation by Pseudo-label Generation for Region Based Coronary Artery Instance Segmentation},
author = {Sandesh Pokhrel and Sanjay Bhandari and Eduard Vazquez and Yash Raj Shrestha and Binod Bhattarai},
journal= {arXiv preprint arXiv:2310.05990},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2310.04749