Style Augmentation improves Medical Image Segmentation

要約

使用できるラベル付きデータが限られているため、医療画像のセグメンテーションはディープ ラーニングにとって困難なタスクです。
従来のデータ拡張技術は、いくつかのトレーニング例の使用を最適化することで、セグメンテーション ネットワークのパフォーマンスを向上させることが示されています。
ただし、セグメンテーションの現在の拡張アプローチは、いくつかの研究で観察された畳み込みニューラル ネットワークの強いテクスチャ バイアスに対処していません。
この作業は、MoNuSeg データセットで、分類タスクで既に使用されているスタイル拡張が、テクスチャの過適合を減らし、セグメンテーションのパフォーマンスを向上させるのに役立つことを示しています。

要約(オリジナル)

Due to the limitation of available labeled data, medical image segmentation is a challenging task for deep learning. Traditional data augmentation techniques have been shown to improve segmentation network performances by optimizing the usage of few training examples. However, current augmentation approaches for segmentation do not tackle the strong texture bias of convolutional neural networks, observed in several studies. This work shows on the MoNuSeg dataset that style augmentation, which is already used in classification tasks, helps reducing texture over-fitting and improves segmentation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google