面向医学图像分割数据增强的可迁移以对象为中心微分同胚变换学习
计算机视觉与模式识别
2023-07-26 v1
摘要
在医学图像分割中获取标注数据具有挑战性，因为这需要专家进行像素级标注。近期研究表明，利用可变形变换对感兴趣对象进行增强有助于缓解这一难题。然而，这些变换是在图像全局上学习的，限制了它们在跨数据集上的可迁移性，或在图像配准困难问题中的适用性。尽管以对象为中心的增强为克服这些问题提供了良好契机，现有工作仅关注位置与随机变换，而未考虑对象的形状变化。为此，我们提出了一种新颖的以对象为中心的数据增强模型，能够学习感兴趣对象的形状变化，并在不修改图像其余部分的情况下就地增强该对象。我们证明了当利用从同一数据集内部学习以及从外部数据集迁移得到的形状变化时，该模型在改善肾肿瘤分割方面具有有效性。
引用
@article{arxiv.2307.13645,
title = {Learning Transferable Object-Centric Diffeomorphic Transformations for Data Augmentation in Medical Image Segmentation},
author = {Nilesh Kumar and Prashnna K. Gyawali and Sandesh Ghimire and Linwei Wang},
journal= {arXiv preprint arXiv:2307.13645},
year = {2023}
}
备注
Accepted at MICCAI 2023