BriefGPT - AI 论文速递
·
基于可解释性引导的数据增强技术用于多中心结肠镜数据的鲁棒分割
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种以可解释性显著图为中心的数据增强方法，用于提高结肠镜图像分割的深度学习模型的泛化能力。通过多中心多聚物检测数据集的测试，证明了该方法的有效性和多功能性。
🎯
关键要点
-
本文介绍了一种以可解释性显著图为中心的数据增强方法。
-
该方法旨在提高多中心结肠镜图像分割的深度学习模型的泛化能力。
-
多中心结肠镜图像存在各种干扰因素和叠加物，影响图像内容。
-
现有的深度分割网络在这些数据集中难以获得足够的泛化能力。
-
当前可用的数据增强方法无法有效解决数据变异源的问题。
-
所提出的增强技术在不同分割模型和领域中展示了增强的鲁棒性。
-
通过对公开的多中心多聚物检测数据集进行测试，证明了方法的有效性和多功能性。
-
定量和定性结果均显示出该方法的优势。
-
相关代码已公开，供研究人员使用。
➡️
