Hydranet：面向回归神经网络的数据增强
计算机视觉与模式识别
2019-07-30 v3
摘要
深度学习技术常被批评为严重依赖于大量标注数据。这一问题在医学图像分析中更具挑战性，因为标注者的专业知识往往稀缺。我们提出一种新颖的数据增强方法来正则化从每幅图像单一全局标签学习的神经网络回归器。该方法的原则是通过重组已有样本来创建新样本。我们在两项任务上展示了我们算法的性能：基底节区扩大的血管周围间隙数量估计，以及白质高信号体积估计。我们表明所提方法相比更基础的数据增强提升了性能。所提方法在仅使用每幅扫描带单一全局标签的 25 至 30 个扫描进行训练的情况下，在第一项任务上达到了真值与网络预测间组内相关系数 0.73，在第二项任务上达到 0.84。在相同的训练扫描数量下，更常规的数据增强方法在第一项任务上仅能达到 0.68 的组内相关系数，在第二项任务上达到 0.79。
引用
@article{arxiv.1807.04798,
title = {Hydranet: Data Augmentation for Regression Neural Networks},
author = {Florian Dubost and Gerda Bortsova and Hieab Adams and M. Arfan Ikram and Wiro Niessen and Meike Vernooij and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1807.04798},
year = {2019}
}
备注
accepted in MICCAI 2019