李梓鸥,费树岷
(东南大学 自动化学院,江苏 南京 210096)
传统的自动化技术逐渐被机器学习与深度学习等方法取代,智能检测方法在医学领域发挥着越来越重要的作用,在传统的医学影像技术中应用计算机图像处理技术具有重大的实际意义。计算机图像处理技术不仅能够有效提高医学影像的处理效率,还能够保证医学影像的清晰度与准确度,从而提高医学诊断准确度,最终大大提高了现代医疗水平[1]。
然而,在利用机器学习方法与深度学习方法对传统医学核磁共振图像(Magnetic Resonance Images,MRI)进行检测与分割时,由于采样难度大、成本高,病态样本数量的多样性稀缺以及病人的隐私问题而导致样本数量不足,样本质量不高严重限制了机器学习与深度学习方法应用[2-3]。因此,有效扩充数据集是支撑计算机辅助分析方法的重要基础。
传统的扩充方法是对图像的基本集合变换,如水平翻转、竖直翻转、随机旋转角度、随机水平平移、随机竖直平移、随机错切变换、随机放大、颜色变换、亮度变换、对比度变换等一系列图像处理方法[4]。单纯使用基本变换方法增加了样本数量,但这样指定特征的扩充方法是有限的,并且未从本质上改变图像,仅保留了处理前的特征与所有组合。除了对图像进行基本变换外,SMOTE 方法也是扩充数据集的一种直接方式。尽管SMOTE 方法可以扩展出与原数据集中元素不相似的图像,但在图像扩充问题质量上却很难通过视觉图灵测试。……