MedAugment: Universal Automatic Data Augmentation Plug-in for Medical Image Analysis

要約

データ拡張 (DA) 技術は、データ不足を解消するためにコンピューター ビジョンの分野で広く実装されていますが、医用画像解析 (MIA) における DA は依然としてほとんどが経験に基づいています。
ここでは、自動 DA 議論を MIA フィールドに導入するために、MedAugment という名前のプラグアンド使用 DA メソッドを開発します。
自然画像と医療画像の違いを解決するために、拡張空間をピクセル拡張空間と空間拡張空間に分割します。
空間から DA 演算をサンプリングする場合、新しい演算サンプリング戦略も提案されます。
MedAugment のパフォーマンスと普遍性を実証するために、4 つの分類データセットと 3 つのセグメンテーション データセットに対して広範な実験を実施しました。
結果は、当社の MedAugment がほとんどの最先端の DA メソッドよりも優れていることを示しています。
この研究は、プラグアンド使用の MedAugment が MIA コミュニティに利益をもたらす可能性があることを示しています。
コードは https://github.com/NUS-Tim/MedAugment_Pytorch で入手できます。

要約(オリジナル)

Data Augmentation (DA) technique has been widely implemented in the computer vision field to relieve the data shortage, while the DA in Medical Image Analysis (MIA) is still mostly experience-driven. Here, we develop a plug-and-use DA method, named MedAugment, to introduce the automatic DA argumentation to the MIA field. To settle the difference between natural images and medical images, we divide the augmentation space into pixel augmentation space and spatial augmentation space. A novel operation sampling strategy is also proposed when sampling DA operations from the spaces. To demonstrate the performance and universality of MedAugment, we implement extensive experiments on four classification datasets and three segmentation datasets. The results show that our MedAugment outperforms most state-of-the-art DA methods. This work shows that the plug-and-use MedAugment may benefit the MIA community. Code is available at https://github.com/NUS-Tim/MedAugment_Pytorch.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google