基于显著性信息的Fit CutMix数据增强算法在医学影像上的应用

Abstract

深度卷积神经网络是图像分类领域的主流算法之一，但是其训练需要大量标注数据，在阿尔茨海默病医学影像等小数据集上易出现过拟合现象。数据增强算法可以用于扩充数据量，其中 CutMix 数据增强算法近来被广泛应用，但是现有方法生成的增强图像往往忽略原始图像显著区域，且增强图像的标签设计考虑的因素较为单一。针对这些问题，提出Fit CutMix数据增强算法。该算法一是利用基于显著性极值迁移的区域替换策略生成增强样本，集中源样本与目标样本中显著性高的区域；二是综合源样本与目标样本的面积和显著性信息赋予增强样本标签，为卷积神经网络提供有效的监督信息。实验结果表明，将Fit CutMix数据增强算法用于ResNet50对阿尔茨海默病进行诊断时，准确率达96.6%，比直接使用ResNet50提高了约7%，且比应用现有数据增强算法至少提高3%，可见Fit CutMix数据增强算法可以有效提高深度卷积神经网络对医学影像识别的准确率。

Keywords

• 数据增强
• 卷积神经网络
• 阿尔茨海默病
• 显著性检测