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

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