数据节省：修剪 PET/CT 数据集能否提升肿瘤分割效果？
图像与视频处理
2024-11-25 v4 计算机视觉与模式识别
摘要
本文描述了我们用于参加 autoPET3 数据中心轨道的方案。虽然传统观念认为更大的数据集会导致更好的模型性能，但近期研究表明，排除某些训练样本后可以提升模型准确率。我们发现，在 autoPETIII 数据集上，训练整个数据集的模型会产生大量假阳性，尤其是针对 PSMA-PET 图像。我们通过移除训练数据集中根据模型损失衡量的最易样本来抵消这一现象。采用本文提出的方案，我们成功地降低了假阴性体积，在假阴性体积和 Dice 评分指标上均优于基线模型。代码和预训练模型可在 github.com/alexanderjaus/autopet3_datadiet 获取。
引用
@article{arxiv.2409.13548,
title = {Data Diet: Can Trimming PET/CT Datasets Enhance Lesion Segmentation?},
author = {Alexander Jaus and Simon Reiß and Jens Kleesiek and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2409.13548},
year = {2024}
}