切粘混合：有限器官分割数据集中简单数据增强优于复杂方法
计算机视觉与模式识别
2026-02-04 v1
摘要
多器官分割是广泛应用的临床常规程序，自动化器官分割工具显著改善了放射科医生的工作流程。最近，基于深度学习(DL)的分割模型显示出完成此类任务的能力。然而，分割网络的训练需要大量带手动注释的数据，这是由于临床数据稀缺而提出的主要顾虑。在针对新型成像模态的研究时，仍然常见受限数据。为了提高训练有限数据的DL模型效果，数据增强(DA)是一种关键的正则化技术。传统DA(TDA)策略侧重于基本的图像内操作，即生成具有不同方向和强度分布的图像。相比之下，跨图像和对象级别的DA操作能够从独立个体创建新图像。然而，这些DA策略在多器官分割任务上鲁见探索。在本文中，我们在两个器官分割数据集上调查了四种可能的跨图像DA策略：CutMix、CarveMix、ObjectAug和AnatoMix。结果表明，CutMix、CarveMix和AnatoMix分别比在不使用DA策略的情况下最先进的nnUNet提高了平均dice得分的4.9、2.0和1.9。这些结果可以通过添加TDA策略进一步提高。我们在实验中发现，CutMix是一种稳健而简单的数据增强策略，即使CutMix产生直观上“错误”的图像，也能提升多器官分割的分割性能。我们的实现已公开供未来基准使用。
引用
@article{arxiv.2602.03555,
title = {Cut to the Mix: Simple Data Augmentation Outperforms Elaborate Ones in Limited Organ Segmentation Datasets},
author = {Chang Liu and Fuxin Fan and Annette Schwarz and Andreas Maier},
journal= {arXiv preprint arXiv:2602.03555},
year = {2026}
}
备注
Accepted at MICCAI 2024