通过拓扑感知数据增强重访医学图像分割中的数据规模
计算机视觉与模式识别
2026-03-03 v2
摘要
理解分割性能随训练数据规模的扩展方式对于开发数据高效的医学 AI 系统至关重要。本研究系统性地重访了跨越四种成像模态的 15 个解剖分割任务中的数据规模行为。我们观察到，医学分割遵循一种结构稳定的幂律关系：预测误差随数据集大小呈现快速改善的趋势，尤其在低数据 regime 中效果显著。然而，与经典大规模视觉或语言任务不同，分割在更早且任务依赖性更强的阶段就会出现性能饱和，随着数据增加仍会出现持久的误差底浓。这种行为表明，分割规模不仅受数据制约，也受到固有的几何和解剖结构的影响。为进一步探索这种几何受限的 regime，我们研究了拓扑感知变形基方法是否可以修改有效的规模动态。我们比较了随机弹性变形与注册引导和生成式变形场建模策略。尽管整体功能形式的规模定律保持不变，但拓扑感知数据增强系统性地降低了有效误差尺度，并以任务相关的方式重塑了收敛行为，导致样本效率得到改善，而不会扰乱基本的规模结构。这些发现表明，医学分割遵循一种几何受限的规模定律，解剖导向的数据增强通过扩大有效拓扑覆盖范围来提高数据效率，而非改变基本规模结构。我们的结果为医学图像分割中数据高效学习提供了一个原则性的经验视角。该代码将在接受后公开。
引用
@article{arxiv.2511.13883,
title = {Revisiting Data Scaling in Medical Image Segmentation via Topology-Aware Augmentation},
author = {Yuetan Chu and Zhongyi Han and Gongning Luo and Xin Gao},
journal= {arXiv preprint arXiv:2511.13883},
year = {2026}
}