Learning Transferable Object-Centric Diffeomorphic Transformations for Data Augmentation in Medical Image Segmentation

要約

専門家によるピクセルレベルの注釈が必要なため、医療画像セグメンテーションでラベル付きデータを取得することは困難です。
最近の研究では、変形可能な変換を使用して対象オブジェクトを拡張することが、この課題の軽減に役立つことが示されています。
ただし、これらの変換は画像に対してグローバルに学習されるため、データセット間での変換や、画像の位置合わせが難しい問題への適用性が制限されます。
オブジェクト中心の拡張はこれらの問題を克服する素晴らしい機会を提供しますが、既存の研究は位置とランダムな変換のみに焦点を当てており、オブジェクトの形状の変化は考慮されていません。
この目的を達成するために、対象オブジェクトの形状の変化を学習し、画像の残りの部分を変更することなくその場でオブジェクトを拡張できる、新しいオブジェクト中心のデータ拡張モデルを提案します。
同じデータセット内から学習した形状バリエーションと外部データセットから転送した形状バリエーションを活用した場合、腎臓腫瘍のセグメンテーションの改善における有効性を実証しました。

要約(オリジナル)

Obtaining labelled data in medical image segmentation is challenging due to the need for pixel-level annotations by experts. Recent works have shown that augmenting the object of interest with deformable transformations can help mitigate this challenge. However, these transformations have been learned globally for the image, limiting their transferability across datasets or applicability in problems where image alignment is difficult. While object-centric augmentations provide a great opportunity to overcome these issues, existing works are only focused on position and random transformations without considering shape variations of the objects. To this end, we propose a novel object-centric data augmentation model that is able to learn the shape variations for the objects of interest and augment the object in place without modifying the rest of the image. We demonstrated its effectiveness in improving kidney tumour segmentation when leveraging shape variations learned both from within the same dataset and transferred from external datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google