提高乳腺图像分割深度学习模型泛化性
图像与视频处理
2025-03-31 v1 计算机视觉与模式识别
摘要
乳腺图像是检测早期乳腺癌的主要筛查方法，旨在提高治疗成功率。乳腺图像中地标结构的分割可为医疗评估提供帮助，从而辅助癌症风险评估和图像获取适格性评估。我们提出了一系列数据中心策略，旨在丰富用于深度学习地标结构分割的训练数据。我们的做法通过注释引导的图像强度操作和风格迁移来实现数据增强，从而优于标准训练程序。这些增强在均衡的方式下应用，以确保模型能够处理由不同厂商设备生成的多样化图像，同时保留其对原始数据的有效性。我们 presented大量数值和视觉结果，表明我们方法在与标准训练方法比较时，具备优越的泛化能力。为此，我们考虑了一个包含由不同厂商设备生成的乳腺图像的大型数据集。进一步，我们present了显示我们方法在各种情景下 strengths和 limitations的补充结果。实验中的准确性和鲁棒性表明，我们的方法非常适合集成到临床实践中。
引用
@article{arxiv.2503.22052,
title = {Improving the generalization of deep learning models in the segmentation of mammography images},
author = {Jan Hurtado and Joao P. Maia and Cesar A. Sierra-Franco and Alberto Raposo},
journal= {arXiv preprint arXiv:2503.22052},
year = {2025}
}