TumorCP：一种简单而有效的面向肿瘤分割的目标级数据增强方法
计算机视觉与模式识别
2021-07-22 v1
摘要
深度学习模型以极度依赖数据著称。因此，在标注良好的数据收集成本高且耗时的医学图像分析领域，对数据高效技术的迫切需求显而易见。受近期复兴的“复制-粘贴（Copy-Paste）”增强启发，我们提出TumorCP，一种为肿瘤分割量身定制的简单而有效的目标级数据增强方法。TumorCP是在线的、随机的，为肿瘤的客体、位置、外观以及形态提供无限的增强可能。在肾肿瘤分割任务上的实验表明，TumorCP在肿瘤Dice上以7.12%的显著优势超越强基线。此外，结合图像级数据增强，它在肿瘤Dice上以2.32%超越当前最先进（SOTA）方法。我们进行了全面的消融实验以验证TumorCP的有效性。同时，我们展示了TumorCP在极低数据量情形下能带来显著提升。仅使用10%标注数据进行评估时，TumorCP将肿瘤Dice大幅提升了21.87%。据我们所知，这是首个在医学影像领域探索并扩展“Copy-Paste”设计的工作。代码可在：https://github.com/YaoZhang93/TumorCP 获取。
引用
@article{arxiv.2107.09843,
title = {TumorCP: A Simple but Effective Object-Level Data Augmentation for Tumor Segmentation},
author = {Jiawei Yang and Yao Zhang and Yuan Liang and Yang Zhang and Lei He and Zhiqiang He},
journal= {arXiv preprint arXiv:2107.09843},
year = {2021}
}