极端增强：基于深度学习的医学图像分割能否仅使用单张手动勾画扫描进行训练？
计算机视觉与模式识别
2019-09-10 v3
摘要
可以，它能。数据增强或许是计算机视觉文献中最古老的预处理步骤。几乎每个在图像数据上训练的计算机视觉模型都使用了某种形式的增强。在本文中，我们使用椎间盘分割任务以及深度残差U-Net作为学习模型，来探索增强的有效性。在极端情况下，我们观察到，一个仅在从单张扫描提取的块上训练、每个块增强50次的模型，在40个病例的验证集中达到了0.73的Dice分数。定性评估表明这是一种临床可用的分割算法，能恰当分割感兴趣区域，且仅有有限的假阳性斑点。当初始块从九张扫描中提取时，平均Dice系数跃升至0.86，且大多数假阳性消失。虽然这仍落后于文献中报道的SOTA基于深度学习的椎间盘分割，但定性检查显示它确实产生了分割结果，专家临床医生可以极小代价对其进行修正以生成额外训练数据来改进深度模型。因此，极端增强训练数据应被视作一种在可用手动标注数据极少时训练基于深度学习的算法的策略。用极端增强训练的模型随后可用于加速手动标注数据的生成。因此，我们表明极端增强可成为解决将小型成像数据集扩展以应对医学图像分割任务这一问题的有价值工具。
引用
@article{arxiv.1810.01621,
title = {Extreme Augmentation : Can deep learning based medical image segmentation be trained using a single manually delineated scan?},
author = {Bilwaj Gaonkar and Matthew Edwards and Alex Bui and Matthew Brown and Luke Macyszyn},
journal= {arXiv preprint arXiv:1810.01621},
year = {2019}
}