SPDA：基于超像素的数据增强用于生物医学图像分割
计算机视觉与模式识别
2019-03-04 v1 人工智能
机器学习
摘要
监督式训练深度神经网络旨在“教会”网络模仿人类视觉感知，这种感知由训练数据中的图像-标签对表示。超像素化（SP）图像对人类而言是可视觉感知的，但常规训练得到的深度学习模型在处理 SP 图像时往往表现不佳。为了更好地模仿人类视觉感知，我们认为深度学习模型最好既能感知原始图像也能感知 SP 图像。本文中，我们提出一种新的基于超像素的数据增强（SPDA）方法，用于训练生物医学图像分割的深度学习模型。我们的方法对所有原始训练图像应用超像素生成方案以生成超像素化图像。由此获得的 SP 图像随后与原始训练图像联合用于训练深度学习模型。我们在四个生物医学图像数据集上的 SPDA 实验表明，SPDA 是有效的，并能持续提升最先进的 fully convolutional networks 在 2D 和 3D 生物医学图像分割中的性能。附加研究还表明 SPDA 能实际减小泛化差距。
引用
@article{arxiv.1903.00035,
title = {SPDA: Superpixel-based Data Augmentation for Biomedical Image Segmentation},
author = {Yizhe Zhang and Lin Yang and Hao Zheng and Peixian Liang and Colleen Mangold and Raquel G. Loreto and David P. Hughes and Danny Z. Chen},
journal= {arXiv preprint arXiv:1903.00035},
year = {2019}
}
备注
To appear in MIDL2019 and PMLR