评估合成数据在脑肿瘤分割中的应用
计算机视觉与模式识别
2025-08-20 v2
摘要
从MRI扫描手动分割脑肿瘤因肿瘤异质性、注释数据稀缺以及医学影像数据集中的类别不平衡而具有挑战性。使用生成模型生成的合成数据有望通过提高数据集多样性来缓解这些问题。本研究作为概念验证性研究，探讨了将基于预训练GAN模型生成的合成MRI数据纳入训练U-Net分割网络中的影响。实验使用来自BraTS 2020数据集的真实数据、使用medigan库生成的合成数据，以及结合真实与合成样本比例不同的数据集进行训练。虽然真实数据与混合数据训练的模型在整体定量性能（Dice系数、IoU、精确率、召回率、准确率）上相当，但定性检查表明，尤其是40%真实数据和60%合成数据的混合数据集，改善了整个肿瘤边界的描绘。然而，肿瘤核心和增强肿瘤的区域准确率仍较低，表明类别不平衡问题仍然存在。研究结果支持合成数据作为脑肿瘤分割数据增强策略的可行性，同时指出未来工作需要更大规模的实验、体数据一致性以及缓解类别不平衡。
引用
@article{arxiv.2508.11922,
title = {Assessment of Using Synthetic Data in Brain Tumor Segmentation},
author = {Aditi Jahagirdar and Sameer Joshi},
journal= {arXiv preprint arXiv:2508.11922},
year = {2025}
}
备注
Updates include improved references, clearer table column title, and minor language corrections