黑暗中的光：COVID-19 CT 语义分割数据增强技术评估
计算机视觉与模式识别
2022-05-20 v1
摘要
随着 COVID-19 全球大流行，医学图像计算机辅助诊断备受关注，对计算机断层扫描（CT）鲁棒语义分割方法的需求也变得极为迫切。CT 语义分割是 COVID-19 自动检测的众多研究领域之一，自疫情暴发以来已被广泛探索。本工作中，我们提出一项广泛分析，研究不同数据增强技术如何改进编码器-解码器神经网络在该问题上的训练。我们在五个不同数据集上评估了二十种不同的数据增强技术。每个数据集均通过五折交叉验证策略进行验证，从而产生了超过 3000 次实验。我们的发现表明，空间级变换是最有希望改进神经网络在该问题上学习的方法。
引用
@article{arxiv.2205.09722,
title = {Light In The Black: An Evaluation of Data Augmentation Techniques for COVID-19 CT's Semantic Segmentation},
author = {Bruno A. Krinski and Daniel V. Ruiz and Eduardo Todt},
journal= {arXiv preprint arXiv:2205.09722},
year = {2022}
}