针对 CT 图像和肝脏肿瘤分割的深度学习鲁棒性随机窗口数据增强
计算机视觉与模式识别
2025-10-10 v1 机器学习
摘要
对比增强的计算机断层扫描（CT）对于诊断和治疗规划 various medical conditions 至关重要。基于深度学习（DL）的分割模型可能实现自动化医学图像分析，用于检测和描绘肿瘤从 CT 图像中，从而减轻临床医生的工作负担。实现有限数据领域（如放射科）中泛化能力需要现代 DL 模型使用图像数据增强进行训练。然而，盲目将为自然图像开发的数据增强方法应用于 CT 扫描时，常常忽视了 CT 模态的特性，其中强度测量 Hounsfield 单位（HU），具有重要的物理意义。本文挑战了这种数据增强方法用于 CT 成像，并显示它们可能导致人工物和较差的泛化。为缓解此问题，我们提出了一种称为随机窗口（Random windowing）的 CT 特定数据增强技术，该技术利用 CT 图像中可用 HU 分布的强度。随机窗口鼓励对对比度增强具有鲁棒性，并显著提高了在对比度差或时机不佳的挑战性图像上的模型性能。我们在多个数据集上对该方法进行消融和分析，并与最先进的替代方法进行比较和优势，同时聚焦于肝脏肿瘤分割的挑战。
引用
@article{arxiv.2510.08116,
title = {Random Window Augmentations for Deep Learning Robustness in CT and Liver Tumor Segmentation},
author = {Eirik A. Østmo and Kristoffer K. Wickstrøm and Keyur Radiya and Michael C. Kampffmeyer and Karl Øyvind Mikalsen and Robert Jenssen},
journal= {arXiv preprint arXiv:2510.08116},
year = {2025}
}
备注
10 pages, 9 figures. This work has been submitted to the IEEE for possible publication