用于脑肿瘤分割的即时数据增强
计算机视觉与模式识别
2025-09-30 v1
摘要
在治疗前和治疗后的胶质瘤扫描中实现稳健的分割，有助于一致的肿瘤监测和治疗规划。BraTS 2025 任务 1 旨在通过挑战模型在整个治疗时间线中泛化到不同的肿瘤外观来解决这一问题。然而，训练此类泛化模型需要获取多样化、高质量的标注数据，而这些数据通常是有限的。虽然数据增强可以缓解这一问题，但存储大量增强后的 3D 数据在计算上代价高昂。为了应对这些挑战，我们提出了一种即时增强策略，该策略在训练期间使用预训练的生成对抗网络（GliGANs）动态插入合成肿瘤。我们评估了三个基于 nnU-Net 的模型及其集成模型：（1）无外部增强的基线模型，（2）常规即时增强模型，（3）定制化即时增强模型。我们的流程建立在 nnU-Net 框架之上，利用了预训练的 GliGAN 权重和来自先前挑战赛获胜方案的肿瘤插入方法。这三个模型的集成在 BraTS 2025 在线验证平台上取得了以下病灶级别的 Dice 分数：0.79 (ET)、0.749 (NETC)、0.872 (RC)、0.825 (SNFH)、0.79 (TC) 和 0.88 (WT)。这项工作在 BraTS Lighthouse Challenge 2025 任务 1-成人胶质瘤分割中排名第一。
引用
@article{arxiv.2509.24973,
title = {On-the-Fly Data Augmentation for Brain Tumor Segmentation},
author = {Ishika Jain and Siri Willems and Steven Latre and Tom De Schepper},
journal= {arXiv preprint arXiv:2509.24973},
year = {2025}
}