利用学习到的变换进行数据增强的一次性医学图像分割
介观与纳米尺度物理
2019-07-03 v2 强关联电子
摘要
图像分割在许多医学应用中是一项重要任务。基于卷积神经网络的方法达到了最先进的精度；然而，它们通常依赖于有监督训练及大型标注数据集。标注医学图像需要大量专业知识和时间，且典型的手工调整数据增强方法无法捕捉此类图像中的复杂变化。我们提出了一种用于合成标注医学图像的自动化数据增强方法。我们在分割磁共振成像（MRI）脑部扫描的任务上展示了我们的方法。我们的方法仅需单次分割扫描，并以半监督方式利用其他未标注扫描。我们从图像中学习一个变换模型，并将该模型与标注样本一起用于合成额外的标注样本。每个变换由空间形变场和强度变化组成，能够合成解剖结构和图像采集过程变化等复杂效果。我们表明，用这些新样本训练有监督分割器相比最先进的一次性生物医学图像分割方法提供了显著改进。我们的代码可在 https://github.com/xamyzhao/brainstorm 获取。
引用
@article{arxiv.1902.09382,
title = {Topological spin Hall effects and tunable skyrmion Hall effects in uniaxial antiferromagnetic insulators},
author = {Matthew W. Daniels and Weichao Yu and Ran Cheng and Jiang Xiao and Di Xiao},
journal= {arXiv preprint arXiv:1902.09382},
year = {2019}
}
备注
11 pages, 7 figures