利用图像增强降低肺炎分割对标注数据的需求
图像与视频处理
2021-02-26 v1 计算机视觉与模式识别
机器学习
摘要
深度学习语义分割算法可从胸部 X 射线中定位异常或混浊区域。然而，收集和标注训练数据的任务成本高昂且需要专业知识，这仍是算法性能的瓶颈。我们研究了图像增强在降低肺炎检测中胸部 X 射线语义分割所需标注数据量方面的效果。我们在总训练数据中不同大小的子集上训练全卷积网络模型。我们在训练每个模型时应用不同的图像增强，并将其与在未使用增强的整个数据集上训练的基线进行比较。我们发现，在旋转、mixup、平移、gamma 和水平翻转中，旋转和 mixup 是最佳的增强方式，在我们的实验中，它们将标注数据需求降低了 70%，同时在 AUC 和平均 IoU 方面表现与基线相当。
引用
@article{arxiv.2102.12764,
title = {Reducing Labelled Data Requirement for Pneumonia Segmentation using Image Augmentations},
author = {Jitesh Seth and Rohit Lokwani and Viraj Kulkarni and Aniruddha Pant and Amit Kharat},
journal= {arXiv preprint arXiv:2102.12764},
year = {2021}
}