EAGT：心尼膜仪数据增强以提升通用性与可迁移性
计算机视觉与模式识别
2026-05-19 v1 人工智能
摘要
心尼膜仪分割的深度学习模型常在机构、扫描仪和患者群体之间难以泛化，收集大型一致标注数据集在实际中不可行。数据增强广泛用于提高深度学习模型的鲁棒性，但其在增强跨数据集泛化能力中的作用尚未充分理解。本研究对 29 种数据增强技术及其两两组合进行大规模多数据集评估，用于 2D 左心室分割，使用在 Unity、CAMUS 和 EchoNet Dynamic 数据集上训练的 U-Net。每种增强技术在多个超参数设置下均被探索，并通过 Dice 和 IoU 在内域和跨数据集情景中进行评估，使用独立 t 检验量化统计显著性。结果表明，解剖学上合理的几何变换，特别是仿射、平移-缩放-旋转、透视和随机水平翻转，显著提高跨数据集性能，而激进的强度或伪影基增强则常常降低泛化性。成对的增强组合优于单个增强技术，显示出随机水平翻转与仿射等以平移为主的组合在大多数迁移情景中均可获得持续的提升。这些发现为设计旨在增强心尼膜仪分割模型鲁棒性和可迁移性的增强策略提供了实证依据。
引用
@article{arxiv.2605.16427,
title = {EAGT: Echocardiography Augmentation for Generalisability and Transferability},
author = {Soroush Elyasi and Sara Adibzadeh and Nasim Dadashi Serej and Julie Wall and Massoud Zolgharni},
journal= {arXiv preprint arXiv:2605.16427},
year = {2026}
}