用于MR图像分割的逼真对抗数据增强
图像与视频处理
2020-06-25 v1 计算机视觉与模式识别
机器学习
摘要
基于神经网络的方法可在多种医学图像分割任务中达到高精度。然而，它们通常需要大量带标签数据集进行监督学习。获取并手动标注大型医学数据集成本高昂，且因数据共享与隐私问题有时不切实际。本工作中，我们提出一种用于训练医学图像分割神经网络的对抗数据增强方法。与生成逐像素对抗攻击不同，我们的模型生成合理且逼真的信号损坏，其建模了MR成像中一类常见伪影——偏置场(bias field)引起的强度不均匀性。所提方法不依赖生成网络，并可作为插件模块用于监督与半监督学习中的通用分割网络。利用心脏MR成像，我们表明该方法可提升模型的泛化能力与鲁棒性，并在低数据场景下带来显著改进。
引用
@article{arxiv.2006.13322,
title = {Realistic Adversarial Data Augmentation for MR Image Segmentation},
author = {Chen Chen and Chen Qin and Huaqi Qiu and Cheng Ouyang and Shuo Wang and Liang Chen and Giacomo Tarroni and Wenjia Bai and Daniel Rueckert},
journal= {arXiv preprint arXiv:2006.13322},
year = {2020}
}
备注
13 pages. This paper is accepted to MICCAI 2020