面向标准平面分类的原则性超声数据增强
计算机视觉与模式识别
2021-03-16 v1 机器学习
摘要
具有大学习容量的深度学习模型常常对医学影像数据集过拟合。这是因为训练集往往相对较小，原因在于医学数据获取与标注需付出显著的时间和财务成本。因此，数据增强常被用于扩充可用训练数据并提升泛化能力。然而，增强策略的选择往往是临时性的，缺乏依据。本文提出一种增强策略搜索方法，旨在提升模型分类性能。我们在增强策略搜索中加入了医学图像分析中常用的额外变换，并评估其性能。此外，我们将增强策略搜索扩展至包含非线性混合样本数据增强策略。利用这些学习到的策略，我们表明医学图像模型训练中的原则性数据增强可显著改善超声标准平面检测，在超声胎儿标准平面分类中，相较朴素数据增强策略平均 F1 分数整体提升 7.0%。我们发现，经优化数据增强后，超声图像的习得表征具有更好的聚类性与区分度。
引用
@article{arxiv.2103.07895,
title = {Principled Ultrasound Data Augmentation for Classification of Standard Planes},
author = {Lok Hin Lee and Yuan Gao and J. Alison Noble},
journal= {arXiv preprint arXiv:2103.07895},
year = {2021}
}
备注
Information Processing in Medical Imaging (IPMI) 2021