在医学图像分割中混合数据增强与保留前景区域
图像与视频处理
2023-04-27 v1 计算机视觉与模式识别
机器学习
摘要
基于深度学习的医学图像分割的发展可显著辅助医生诊断。深度学习需要大量数据进行训练，这也要求通过数据增强来扩展多样性以防止过拟合。然而，现有医学图像分割的数据增强方法主要基于需要更新参数并耗费额外计算资源的模型。我们提出了专为训练高精度医学图像分割深度学习网络而设计的数据增强方法。所提数据增强方法称为 KeepMask 与 KeepMix，其可通过更好地识别器官边界来生成医学图像且无需更多参数。我们的方法在数据集上取得了更优性能并获得更精确的医学图像分割边界。在 Unet 下，我们的方法的 dice 系数在 CHAOS 上达到 94.15%（比基线高 3.04%），在 MSD spleen 上达到 74.70%（比基线高 5.25%）。
引用
@article{arxiv.2304.13490,
title = {Mixing Data Augmentation with Preserving Foreground Regions in Medical Image Segmentation},
author = {Xiaoqing Liu and Kenji Ono and Ryoma Bise},
journal= {arXiv preprint arXiv:2304.13490},
year = {2023}
}
备注
Accepted by IEEE ISBI'23