基于随机数据增强的增强方法：一种面向医学数据集的通用增强策略
摘要
多年来，医学图像分析的范式已从人工专家经验转向自动化系统，常使用深度学习（DL）系统。深度学习算法的性能高度依赖于数据质量。尤其对于医学领域，这是一个重要方面，因为医学数据对质量非常敏感，质量差可能导致误诊。为提高诊断性能，已在复杂DL架构和改进数据质量（使用依赖于数据集的静态超参数）两方面开展研究。然而，由于数据质量及超参数对特定数据集的过拟合，性能仍受限。为克服这些问题，本文提出基于随机数据增强的增强方法。主要目标是开发一种通用的、数据无关且计算高效的增强方法，以改善用于DL的医学数据质量。通过改善图像的亮度和对比度来增强质量。与现有方法不同，我们的方法在定义范围内随机生成增强超参数，使其具有鲁棒性并防止对特定数据集过拟合。为评估所提方法的泛化性，我们使用四个医学数据集，并在分类和分割任务上将其性能与最先进方法比较。对于灰度图像，使用COVID-19胸部X光、KiTS19进行实验；对于RGB图像，使用LC25000数据集。实验结果表明，采用所提增强方法后，DL架构优于其他现有方法。我们的代码公开于：https://github.com/aleemsidra/Augmentation-Based-Generalized-Enhancement
引用
@article{arxiv.2210.00824,
title = {Random Data Augmentation based Enhancement: A Generalized Enhancement Approach for Medical Datasets},
author = {Sidra Aleem and Teerath Kumar and Suzanne Little and Malika Bendechache and Rob Brennan and Kevin McGuinness},
journal= {arXiv preprint arXiv:2210.00824},
year = {2022}
}
备注
Our paper is accepted at 24th Irish Machine Vision and Image Processing (IMVIP) Conference, Belfast. Paper got BCS NI Best Poster Presentation Award and copy of proceeding is at https://imvipconference.github.io/IMVIP2022_Proceedings.pdf