8、Mixup增强与Transformer助力医学影像诊断

Mixup增强与Transformer助力医学影像诊断

在医学影像领域，准确的疾病诊断和参数预测至关重要。本文将介绍两种基于深度学习的方法，分别是利用Mixup增强技术进行T1w脑MRI扫描的年龄预测，以及结合卷积神经网络和Transformer网络进行膝关节MRI损伤诊断。

1. Mixup增强用于T1w脑MRI年龄预测

1.1 模型训练与后处理

在模型训练阶段，学习率每轮下降3%。使用SGD算法优化L1损失函数，动量为0.9，权重衰减为5 × 10⁻⁵，训练110轮。采用常见的数据增强方法，包括：
- 以0.3的概率沿所有主轴随机移动，移动范围为[-5, 5]内的整数。
- 以0.3的概率进行随机填充，填充范围为[0, 5]内的整数。
- 以0.5的概率在中央矢状面翻转。

选择最佳超参数值（批量大小bs = 16，学习率lr = 0.0001），使得验证集上最后10轮的中位数平均绝对误差（MAE）最低。基线模型使用选定的超参数值训练5次，报告最佳运行结果。

后处理阶段，对每个训练好的模型应用线性偏差校正步骤。在验证集上拟合回归线ŷ = β₁y + β₀，其中y表示真实值，ŷ表示预测值。使用估计的系数β₀和β₁对测试集上的预测脑年龄进行校正，公式为y′ = (ŷ - β₀) / β₁。这会导致MAE总体上有轻微的增加或减少，但可以对年龄区间边缘进行轻微校正，减少回归模型的过/低估。

1.2 Mixup数据增强方法

Mixup是一种数据增强方法，将两个随机输入样本(Xi, yi)和(Xj, yj)线性组合成新样本(˜X, ˜y)，公式如下：
- ˜X =