AnatoMix：面向多器官分割的解剖感知数据增强
图像与视频处理
2024-03-07 v1 计算机视觉与模式识别
摘要
医学图像中的多器官分割是一项被广泛研究的任务，可以节省临床医生在日常工作中的大量手动工作。利用深度学习 (DL) 自动化器官分割过程是一个有前景的解决方案，最先进的分割模型正取得令人瞩目的精度。在本工作中，我们提出了一种名为 AnatoMix 的新型数据增强策略，以提高多器官分割数据集的泛化能力。通过对象级匹配和操作，我们的方法能够生成具有正确解剖结构（即器官分割掩膜）的新图像，从而指数级增加分割数据集的规模。我们在公共 CT 数据集上进行了初步实验，以调查我们的方法对分割性能的影响。我们的增强方法可带来 76.1 的平均 Dice 系数，而基线方法为 74.8。
引用
@article{arxiv.2403.03326,
title = {AnatoMix: Anatomy-aware Data Augmentation for Multi-organ Segmentation},
author = {Chang Liu and Fuxin Fan and Annette Schwarz and Andreas Maier},
journal= {arXiv preprint arXiv:2403.03326},
year = {2024}
}