面向医学影像深度学习的领域引导数据增强
计算机视觉与模式识别
2023-04-26 v1 人工智能
摘要
虽然特定领域的数据增强在训练用于医学影像任务的神经网络时可能很有用，但迄今为止此类技术尚未得到广泛应用。在此，我们使用一个经过充分基准测试的任务来测试特定领域的数据增强是否对医学影像有用：在胎儿超声 FETAL-125 和 OB-125 数据集上进行切面分类。我们发现，使用保留上下文的剪切-粘贴策略，我们可以创建有效的训练数据，其有效性通过由此训练的模型在基准测试数据集上的性能来衡量。当以在线方式使用时，在此数据上训练的模型表现与使用传统数据增强训练的模型相似（FETAL-125 F-score 85.33+/-0.24 vs 86.89+/-0.60，p-value 0.0139；OB-125 F-score 74.60+/-0.11 vs 72.43+/-0.62，p-value 0.0039）。此外，在训练期间执行增强的能力，以及在数据类别之间均等应用所选增强的能力，是设计定制数据增强时的重要考量因素。最后，我们提供了开源代码，以促进以在线方式运行定制数据增强。综上所述，这项工作扩展了为医学影像任务设计和应用领域引导数据增强的能力。
引用
@article{arxiv.2210.04977,
title = {Domain-guided data augmentation for deep learning on medical imaging},
author = {Chinmayee Athalye and Rima Arnaout},
journal= {arXiv preprint arXiv:2210.04977},
year = {2023}
}
备注
18 pages, 6 Tables, 3 Figures