摘要
基于脑损伤图像分割的临床诊断正处于快速发展阶段,利用卷积神经网络(Convolutional neural networks,CNNs)可以自动多次地完成脑损伤图像分割。数据增强可以用于改进CNNs的训练,但脑损伤图像分割的数据增强需要考虑到病变区域。我们提出了一种简单的数据增强方法,称为病变镜像,不同于基于“混合”的数据增强方法,如Mixup和CutMix。病变镜像针对病变区域,以3D图像中心为原点,对于X、Y、Z3个坐标轴而言,具有同等的1/2概率选择是否镜像,从而形成新的图像以及对应的注释。生成新的图像可用于改进CNNs的训练。为了评价所提出的方法,我们在一个脑损伤数据集上进行了实验,结果表明,在大部分情况下,与Mixup、CutMix和传统数据增强(Traditional Data Augmentation,TDA)相比,该方法提高了分割精度。
出处
《信息记录材料》
2022年第5期163-165,共3页
Information Recording Materials
