DACov: 对计算机断层扫描分割问题中数据增强的更深入分析
图像与视频处理
2023-03-13 v1 计算机视觉与模式识别
摘要
由于COVID-19全球大流行,医学图像的计算机辅助诊断受到了广泛关注,对计算机断层扫描(CT)图像语义分割的鲁棒方法变得极为迫切。在本工作中,我们深入分析了数据增强技术如何提升该问题的分割性能。我们在五个公开数据集上评估了20种传统增强技术。评估了每种增强技术应用于图像时的六种不同概率。我们还评估了一种不同的训练方法,即将训练子集合并为单一更大的集合。所有网络均通过5折交叉验证策略进行评估,共进行了超过4600次实验。我们还提出了一种基于生成对抗网络(GANs)的新颖数据增强技术,用于创建新的健康与不健康肺部CT图像,并以与传统方法相同的六种概率评估了我们方法的四种变体。我们的研究结果表明,基于GAN的技术和空间级变换对改进深度模型在该问题上的学习最具前景,其中StarGANv2 + F在概率0.3下于统一训练策略的Ricord1a数据集上取得了最高的F值。我们的代码公开于 https://github.com/VRI-UFPR/DACov2022
引用
@article{arxiv.2303.05912,
title = {DACov: A Deeper Analysis of Data Augmentation on the Computed Tomography Segmentation Problem},
author = {Bruno A. Krinski and Daniel V. Ruiz and Rayson Laroca and Eduardo Todt},
journal= {arXiv preprint arXiv:2303.05912},
year = {2023}
}