基于自监督学习的脑部病灶生成用于医学图像的有效数据增强

准确的脑部病灶描绘对于计划神经外科治疗至关重要。基于卷积神经网络的脑部病灶分割自动方法已展现出卓越的性能。然而，神经网络性能受限于缺乏大规模良好标注的训练数据集。本文提出了一个综合性框架，高效地生成用于训练脑部病灶分割模型的新样本。我们首先以自监督方式训练一个基于对抗性自编码器的病灶生成器。随后，我们利用一种新颖的图像组成算法——Soft Poisson Blending 将合成病灶与脑部图像无缝地组合以获得训练样本。最后，为有效地使用增强图像训练脑部病灶分割模型，我们引入一种新的原型一致性正则化以对齐真实与合成特征。我们在两个公开的脑部病灶分割数据集 ATLAS v2.0 和 Shift MS 上进行了大量实验验证。例如，与采用常规数据增强技术的 U-Net 相比，我们的方法在 ATLAS v2.0 数据集上将 Dice 分数提高了从 50.36% 到 60.23%。