PADDIT：基于微分同胚图像变换的数据概率增强
计算机视觉与模式识别
2020-03-10 v2
摘要
为使卷积神经网络（CNNs）在医学图像分割中具备恰当的泛化性能，所学特征应对输入特定的非线性形状变化保持不变。为在 CNNs 中诱导对此类变换的不变性，我们提出基于微分同胚图像变换的数据概率增强（PADDIT）——一个用于生成真实变换的系统性框架，该变换可用于增强训练 CNNs 的数据。我们表明，使用 PADDIT 训练的 CNNs 在从 T1 与 FLAIR 脑 MRI 扫描中分割白质高信号方面，优于无增强训练的 CNNs 以及使用通用增强训练的 CNNs。
引用
@article{arxiv.1810.01928,
title = {PADDIT: Probabilistic Augmentation of Data using Diffeomorphic Image Transformation},
author = {Mauricio Orbes Arteaga and Lauge Sørensen and M. Jorge Cardoso and Marc Modat and Sebastien Ourselin and Stefan Sommer and Mads Nielsen and Christian Igel and Akshay Pai},
journal= {arXiv preprint arXiv:1810.01928},
year = {2020}
}