医学影像中用于数据增强的深度学习方法：综述
图像与视频处理
2024-06-11 v1 计算机视觉与模式识别
摘要
深度学习已成为医学图像分析的常用工具，但训练数据的有限可用性仍是一大挑战，尤其在数据获取成本高且受隐私法规约束的医学领域。数据增强技术通过人工增加训练样本数量提供了一条解决途径，但这些技术常产生有限且缺乏说服力的结果。为解决此问题，越来越多研究提出使用深度生成模型来生成更符合数据真实分布的更真实且多样的数据。本综述聚焦于三类用于医学图像增强的深度生成模型：变分自编码器、生成对抗网络（GAN）与扩散模型。我们概述了每类模型的当前最新进展，并讨论它们在医学影像不同下游任务（包括分类、分割与跨模态翻译）中的潜在用途。我们还评估了各模型的优势与局限，并指明该领域的未来研究方向。我们的目标是提供关于深度生成模型用于医学图像增强的全面综述，并凸显这些模型在提升医学图像分析中深度学习算法性能的潜力。
引用
@article{arxiv.2307.13125,
title = {Deep Learning Approaches for Data Augmentation in Medical Imaging: A Review},
author = {Aghiles Kebaili and Jérôme Lapuyade-Lahorgue and Su Ruan},
journal= {arXiv preprint arXiv:2307.13125},
year = {2024}
}