MediAug：探索医学影像中的视觉数据增强
计算机视觉与模式识别
2025-04-29 v1
摘要
数据增强在医学影像中对于在数据有限的情况下提高分类准确率、病灶检测和器官分割至关重要。然而，仍存在两个显著挑战：首先，自然照片与医学图像之间的显著域间差异可能扭曲关键疾病特征；其次，医学影像中的增强研究是碎片化的，仅限于单个任务或架构，使得高级混合策略的益处尚不清晰。为此，我们提出了一个统一的评估框架，将六种混合式数据增强方法集成到脑瘤 MRI 和眼病视网膜数据集上的卷积网络和变换器 backbone 上。我们的贡献有三方面：(1) 我们引入 MediAug，这是一个医学影像中高级数据增强的全面且可复现的基准；(2) 我们系统评估了 MixUp、YOCO、CropMix、CutMix、AugMix 和 SnapMix 在 ResNet-50 和 ViT-B backbone 上的表现；(3) 我们通过大量实验表明，对于 ResNet-50 的脑瘤分类任务，MixUp 能提供最大提升，准确率达 79.19%；对于 ViT-B，SnapMix 能提供最大提升，准确率达 99.44%；对于眼病分类任务，ResNet-50 上 YOCO 能提供最大提升，准确率达 91.60%；ViT-B 上 CutMix 能提供最大提升，准确率达 97.94%。代码将在 https://github.com/AIGeeksGroup/MediAug 提供。
引用
@article{arxiv.2504.18983,
title = {MediAug: Exploring Visual Augmentation in Medical Imaging},
author = {Xuyin Qi and Zeyu Zhang and Canxuan Gang and Hao Zhang and Lei Zhang and Zhiwei Zhang and Yang Zhao},
journal= {arXiv preprint arXiv:2504.18983},
year = {2025}
}