Studio Valuta 29 Tecniche di Data Augmentation per la Segmentazione Ecocardiografica
Uno studio completo indaga 29 tecniche di data augmentation e le loro varie combinazioni per la segmentazione 2D del ventricolo sinistro, utilizzando un modello U-Net addestrato sui dataset Unity, CAMUS e EchoNet Dynamic. L'obiettivo di questa ricerca è migliorare la generalizzabilità tra dataset in ecocardiografia, dove ottenere ampi dataset annotati è difficile. Ogni tecnica di augmentation è stata testata con diverse configurazioni di iperparametri e valutata utilizzando le metriche Dice e IoU sia in contesti in-domain che cross-dataset, con test t indipendenti applicati per determinare la significatività statistica. I risultati rivelano che le trasformazioni anatomicamente plausibili producono i risultati più efficaci.
Fatti principali
- Sono state valutate 29 tecniche di data augmentation e le loro combinazioni a coppie
- Modello U-Net addestrato sui dataset Unity, CAMUS e EchoNet Dynamic
- Compito di segmentazione 2D del ventricolo sinistro
- Valutazione tramite metriche Dice e IoU
- Testati scenari in-domain e cross-dataset
- Significatività statistica tramite test t indipendenti
- Le trasformazioni geometriche anatomicamente plausibili sono state le più efficaci
- Lo studio affronta la generalizzabilità tra istituzioni, scanner e popolazioni di pazienti
Entità
—