BSDA:贝叶斯的随机语义数据增强用于医学图像分类
Yaoyao Zhu1,2, Xiuding Cai1,2, Xueyao Wang1,2
1Chengdu Institute of Computer Application, Chinese Academy of Sciences, Chengdu 610213, China.
Sensors (Basel, Switzerland)
|December 17, 2024
概括
贝叶斯随机语义数据增强 (BSDA) 通过防止特征转移期间的标签更改,改善了医疗成像的深度学习. 这种计算效率高的方法可以在各种数据集和模式中提高模型性能.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 数据增强对深度神经网络至关重要,特别是在数据有限的医学成像中.
- 语义数据增强 (SDA) 通过转移潜在空间表示来改变特征语义.
- 现有的SDA方法风险标签变化与过度的特征转移,影响模型性能.
研究的目的:
- 引入一个计算效率高,强大的语义数据增强方法.
- 解决数据增强过程中深度学习模型中标签改变的问题.
- 提出贝叶斯随机语义数据增强 (BSDA) 作为一个插即用组件.
主要方法:
- 开发了贝叶斯随机语义数据增强 (BSDA),一种新的特征转移方法.
- 作为一个plug-and-play模块,BSDA可以无地集成到现有的神经网络架构中.
- 该方法避免了过度的移动,这可能导致标签差异.
主要成果:
- 与现有的竞争数据增强方法相比,BSDA表现出优越的性能.
- 拟议的方法对2D和3D医疗图像数据集都有效.
- BSDA显示与各种医学成像模式和主流神经网络模型的兼容性.
结论:
- BSDA为医疗成像深度学习中的规范化提供了一个有效的解决方案.
- 该方法可以提高基线模型的性能,而不会损害数据完整性.
- BSDA是一个多功能和高效的工具,用于改善医疗图像分析中的深度学习应用.
