Analyzing Data Augmentation for Medical Images: A Case Study in Ultrasound Images

数据增强是提高深度神经网络泛化性能最有效的技术之一。然而，在医学图像分析中，由于数据可用性通常受限，数据增强经常被低估。这似乎是由于我们对不同增强技术在医学成像任务和模态之间的有效性的集体理解存在差距。乳腺超声图像是其中一个特别明显的领域。本研究通过分析不同增强技术在乳腺超声图像的病变分类中的有效性来解决这个问题。我们评估了我们的发现在多个数据集上的泛化能力，证明了某些增强技术比其他技术更有效，并表明它们的使用会带来显著的性能提升。

分析不同数据增强技术在乳腺超声图像分类中的有效性，解决医学图像分析中数据不足的问题。

通过实验评估不同的数据增强技术对乳腺病变超声图像分类的影响，并展示一些技术的使用可导致显著性能提升。

论文使用多个数据集验证了其结论的普适性，并展示了一些数据增强技术比其他技术更为有效。同时，论文的实验设计、数据集使用等方面也值得关注。

最近的相关研究包括：1. "Data augmentation for skin lesion analysis"；2. "Data augmentation for medical image analysis using convolutional neural networks"；3. "A survey on data augmentation for imbalanced classification tasks"等。