HSMix：用于医学图像分割的硬软混合数据增强
计算机视觉与模式识别
2025-11-25 v1 机器学习
摘要
由于标注成本高昂或某些疾病稀缺，医学图像分割常受数据稀缺和导致过拟合问题的限制。自监督学习和半监督学习在一定程度上可以缓解数据稀缺挑战。然而，这两种范式都复杂且需要手工设计的预文本或明确定义的伪标签。相比之下，数据增强相对简单直接，已在图像识别任务中取得显著改进。然而，在分割语境中，局部图像编辑增强技术的有效性研究相对不足。我们提出HSMix，这是一种用于医学语义分割的局部图像编辑数据增强方法，涉及硬混合和软混合。在我们的方法中，通过将两个来源图像中均匀区域（超像素）组合创建硬增强图像。软混合方法进一步基于局部聚合的像素级显著性系数调整这些组合区域的亮度。两个来源图像的 ground-truth 分割掩码执行相同的混合操作，以生成关联的增强图像掩码。我们的方法充分利用了先验轮廓和显著性信息，从而在保持增强图像中局部语义信息的同时，通过增加增强空间的多样性来丰富增强方案。该方法是一种即插即用方案，与模型无关，可应用于多种医学成像模态。大量实验证据表明，在各种医学分割任务中均显示出良好效果。源代码可在 https://github.com/DanielaPlusPlus/HSMix 查阅。
引用
@article{arxiv.2511.17614,
title = {HSMix: Hard and Soft Mixing Data Augmentation for Medical Image Segmentation},
author = {Danyang Sun and Fadi Dornaika and Nagore Barrena},
journal= {arXiv preprint arXiv:2511.17614},
year = {2025}
}