切割-拼接数据增强：一种用于医学图像分割的新技术
计算机视觉与模式识别
2022-10-18 v1
摘要
背景：医学图像比自然图像更难获取与标注，这导致数据增强技术常被用于医学图像分割任务。医学分割中使用的大多数数据增强技术最初是针对自然图像开发的，未考虑医学图像整体布局标准且固定的特点。方法：基于医学图像的特点，我们开发了切割-拼接数据增强（CS-DA）方法，一种用于医学图像分割的新型数据增强技术。CS-DA 通过将从不同原始医学图像中切割出的不同位置组件拼接成一幅新图像来扩充数据集。医学图像的特点使得新图像具有与原图像相同的布局与相似的外观。与经典数据增强技术相比，CS-DA 更简单且更鲁棒。此外，CS-DA 不会向新生成的图像中引入任何噪声或虚假信息。结果：为探究 CS-DA 的性质，我们在八个不同数据集上进行了大量实验。在小样本训练数据集上，CS-DA 能有效提升分割模型的性能。当 CS-DA 与经典数据增强技术联合使用时，分割模型性能可进一步提升，且远优于单独使用 CS-DA 或经典数据增强。我们还探究了组件数量、切割线位置及拼接方式对 CS-DA 性能的影响。结论：CS-DA 在实验中的优异表现证实了其实效性，并为小样本分割任务提供了一种新的数据增强思路。
引用
@article{arxiv.2210.09099,
title = {Cutting-Splicing data augmentation: A novel technology for medical image segmentation},
author = {Lianting Hu and Huiying Liang and Jiajie Tang and Xin Li and Li Huang and Long Lu},
journal= {arXiv preprint arXiv:2210.09099},
year = {2022}
}
备注
31 pages, 10 figures