基于可解释性引导的数据增强用于多中心结肠镜数据的鲁棒分割
图像与视频处理
2023-08-31 v1 计算机视觉与模式识别
摘要
来自不同医疗中心的多种中心结肠镜图像呈现出各异的复杂因素与叠加层，这些因素依具体采集中心而影响图像内容。现有的深度分割网络在此类数据集中难以获得充分的泛化能力，且当前可用的数据增强方法未能有效应对这些数据变异来源。作为解决方案，我们引入一种以可解释性显著性图为核心的新颖数据增强方法，旨在提升深度学习模型在多中心结肠镜图像分割领域的泛化能力。所提出的增强技术在不同分割模型与域之间展现出增强的鲁棒性。在一个公开的息肉检测多中心数据集上的详尽测试，从定量与定性结果两方面均印证了本方法的有效性与通用性。代码公开于：https://github.com/nki-radiology/interpretability_augmentation
引用
@article{arxiv.2308.15881,
title = {Interpretability-guided Data Augmentation for Robust Segmentation in Multi-centre Colonoscopy Data},
author = {Valentina Corbetta and Regina Beets-Tan and Wilson Silva},
journal= {arXiv preprint arXiv:2308.15881},
year = {2023}
}
备注
10 pages, 4 figures, 1 table, accepted at MICCAI 2023 Workshop on Machine Learning in Medical Imaging (MLMI)