Unpublished,
Datenaugmentierung mit Online Bilevel Optimierung zur Pathologie-Klassifikation in Röntgen-Thorax-Aufnahme
(2021)
Abstract
Die Motivation dieser Bachelorarbeit war es, eine neue Methode für Datenaugmentierung
auf Thorax-Röntgenbildern anzuwenden und zu evaluieren. Dazu wurden vier
Experimente durchgeführt, um die Veränderung der Performance eines Classifiers zu sehen,
der mit verschiedenen Arten von Augmentierungen trainiert wurde. Zuerst wurden
das ResNET18 und das DenseNet121 ohne Augmentierungen auf dem CheXpert Datensatz
trainiert. Danach wurden für das Training der beiden Classifier Augmentierungen,
die inspiriert durch Related Work auf Röntgenbildern sind, auf dem Datensatz angewendet.
Die dritte Methode war die Anwendung des Online Bilevel Algorithmus auf
dem ResNET18 und dem DenseNet121 mit CheXpert Datensatz. Als letztes wurden
die vortrainierten Augmentierungsnetze aus dem dritten Experiment verwendet, um
das ResNET18 zu trainieren. Der Bilevel Augment Algorithmus ist zusammengesetzt
aus einem inneren und einem äußeren Loop. Im inneren Loop wird ein Classifier mit
den Augmentierungen aus dem Augmenternetz trainiert. Auf dem Classifier wird dann
im äußeren Loop der Validationloss berechnet und mit diesem Validationloss wird dann
das Augmenternetz trainiert. Die Änderungen durch die vier verschiedenen Augmentierungsmethoden
wurden experimentell gezeigt. Der durchschnittliche AUC-Score des
ResNET18s verbessert sich Schritt für Schritt mit den verschiedenen Augmentierungsmethoden.
Dadurch wurde gezeigt, dass der Bilevel Augment Algorithmus nützlich für
die Augmentierung von medizinischen Bildern sein kann.
