MediAug：探索医学成像中的视觉增强

数据增强在医疗影像领域对于在有限数据条件下提高分类准确性、病灶检测和器官分割至关重要。然而，仍然存在两个重大挑战。首先，自然照片和医疗影像之间存在明显的领域差距，可能扭曲关键的疾病特征。其次，医疗影像领域的数据增强研究分散，且仅限于单一任务或架构，使得基于混合的高级策略的益处尚不明确。为了解决这些挑战，我们提出了一个统一的评估框架，将六种基于混合的数据增强方法与卷积和 Transformer 骨干网络集成，并在脑肿瘤 MRI 和眼疾眼底数据集上进行评估。我们的贡献有三方面。(1) 我们引入了 MediAug，这是一个全面且可复现的医疗影像高级数据增强基准。(2) 我们系统地评估了 MixUp、YOCO、CropMix、CutMix、AugMix 和 SnapMix 与 ResNet-50 和 ViT-B 骨干网络。(3) 我们通过大量实验证明，MixUp 在 ResNet-50 的脑肿瘤分类任务上取得了最大的提升，准确率为 79.19%，而 SnapMix 在 ViT-B 上取得了最大的提升，准确率为 99.44%；YOCO 在 ResNet-50 的眼疾分类任务上取得了最大的提升，准确率为 91.60%，而 CutMix 在 ViT-B 上取得了最大的提升，准确率为 97.94%。代码将可在 https://github.com/AIGeeksGroup/MediAug 获取。