TumorCP: A Simple but Effective Object-LevelData Augmentation for Tumor Segmentation

原创

已于 2024-03-26 14:56:12 修改 · 837 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉

于 2024-01-22 20:09:01 首次发布

文章介绍了一种名为TumorCP的数据增强方法，专为医学图像分析中的肿瘤分割设计。通过在线随机操作，TumorCP在肾肿瘤分割任务中表现出色，尤其在低数据情况下能显著提升性能。该方法易于实现且成为新的基线，为医学图像分割领域的数据效率学习提供了新思路。

Abstract

众所周知，深度学习模型需要大量数据。因此，在医学图像分析中，迫切需要数据高效的技术，因为收集有良好注释的数据既昂贵又耗时。受最近复兴的“复制-粘贴”增强方法的启发，我们提出了一种简单而有效的针对肿瘤分割的对象级数据增强方法TumorCP。TumorCP是在线和随机的，为肿瘤的主体、位置、外观和形态提供了无限的增强可能性。在肾肿瘤分割任务上的实验表明，在肿瘤Dice上，TumorCP比强基线高出7.12%。

此外，加上图像级数据增强，它在肿瘤骰子上比目前最先进的技术高出2.32%。进行全面消融研究以验证TumorCP的有效性。

同时，我们证明了TumorCP可以在极低数据的情况下带来显著的改善。仅用10%的标记数据进行评估，TumorCP显着提高了21.87%的肿瘤Dice。据我们所知，这是在医学成像领域探索和扩展“复制-粘贴”设计的第一个工作。代码可从https://github.com/YaoZhang93/TumorCP获得。

关键词:数据效率·肿瘤分割·数据增强

1 Introduction

2 Method

图1所示。TumorCP的管道示意图。从数据集中对源图像和目标图像进行采样。概率为pcp, TumorCP执行一次Copy-Paste，步长依次为2,3,4,5，最后到6;否则，直接转到步骤6。在步骤3中，每个转换都有自己的调用概率(ptrans)。底部展示了两个使用对象级数据增强执行复制-粘贴的示例。

TumorCP是一种用于肿瘤分割的在线随机增强过程。它的实现简单明了。如图1所示，给定一组训练样本D，其概率为(1−pcp)， TumorCP不做任何事情;否则，TumorCP对一对图像进行采样(xsrc;xtgt)