利用真实对抗数据增强提升 MR 图像分割
图像与视频处理
2022-06-22 v3 计算机视觉与模式识别
机器学习
定量方法
摘要
神经网络在医学图像分割任务上的成功通常依赖于大量标注数据集进行模型训练。然而，获取并手动标注大型医学图像集资源密集、昂贵，且有时因数据共享与隐私问题而不切实际。为应对此挑战，我们提出 AdvChain，一种通用对抗数据增强框架，旨在提升医学图像分割任务训练数据的多样性和有效性。AdvChain 通过动态数据增强扩充数据，生成随机链接的光度与几何变换以模拟真实但具挑战性的成像变化来扩展训练数据。通过在训练中联合优化数据增强模型与分割网络，生成挑战性样本以增强网络对下游任务的泛化性。所提对抗数据增强不依赖生成网络，可作为通用分割网络中的插件模块。其计算高效，适用于少样本监督与半监督学习。我们在两项 MR 图像分割任务上分析并评估该方法：有限标注数据下的心脏分割与前列腺分割。结果表明，所提方法能缓解对标注数据的需求，同时提升模型泛化能力，显示了其在医学影像应用中的实用价值。
引用
@article{arxiv.2108.03429,
title = {Enhancing MR Image Segmentation with Realistic Adversarial Data Augmentation},
author = {Chen Chen and Chen Qin and Cheng Ouyang and Zeju Li and Shuo Wang and Huaqi Qiu and Liang Chen and Giacomo Tarroni and Wenjia Bai and Daniel Rueckert},
journal= {arXiv preprint arXiv:2108.03429},
year = {2022}
}
备注
Under review