分割任务中类特定训练时与测试时数据增强的联合优化
计算机视觉与模式识别
2023-05-31 v1 机器学习
摘要
本文提出一种高效且通用的医学图像分割数据增强框架。我们采用计算高效且数据高效的基于梯度的元学习策略，显式对齐训练与验证数据的分布，并将其作为未见测试数据的代理。我们通过两项核心设计改进当前的数据增强策略。首先，我们学习类特定的训练时数据增强（TRA），有效提升训练子集内部的异质性，并缓解分割中常见的类不平衡问题。其次，我们联合优化 TRA 与测试时数据增强（TEA），二者因均旨在对齐训练与测试数据分布而紧密关联，但此前工作均将其分开考虑。我们在四种不同场景下的医学图像分割任务上，以两种前沿分割模型 DeepMedic 与 nnU-Net 验证了方法的有效性。大量实验表明，相较于现有方案，所提数据增强框架能显著且稳定地提升分割性能。代码已公开。
引用
@article{arxiv.2305.19084,
title = {Joint Optimization of Class-Specific Training- and Test-Time Data Augmentation in Segmentation},
author = {Zeju Li and Konstantinos Kamnitsas and Qi Dou and Chen Qin and Ben Glocker},
journal= {arXiv preprint arXiv:2305.19084},
year = {2023}
}
备注
Accepted by IEEE Transactions on Medical Imaging