Intuitive Axial Augmentation Using Polar-Sine-Based Piecewise Distortion for Medical Slice-Wise Segmentation

要約

医療画像分析のためのほとんどのデータ駆動型モデルは、精度を向上させるために普遍的な増強に依存しています。
実験的証拠はそれらの有効性を確認しましたが、それらの根底にある不明確なメカニズムは、医学界内のそのような方法に対する広範な受容と信頼に対する障壁をもたらします。
従来のデジタル画像とは別に医療画像のユニークな特性を再検討し、認め、その結果、より弾力性があり、放射線学スキャン手順とよく整合する医療固有の増強アルゴリズムを提案しました。
このメソッドは、極座標の半径に従って正弦波歪んだ光線との区分的な結合を実行するため、スキャンテーブルの上に平らに横たわっている人間の不確実な姿勢をシミュレートします。
私たちの方法は、軸平面上の基本的な相対位置に影響を与えることなく、人間の内臓分布を生成する可能性があります。
2つの非適応アルゴリズム、つまりメタベースのスキャンテーブルの削除と類似性ガイド付きパラメーター検索が、増強法の堅牢性を強化するために導入されます。
他の方法論とは対照的に、私たちの方法は、医療専門家にとって直感的な設計と理解の容易さで強調されており、それによって臨床シナリオでの適用性を高めます。
実験は、より多くのデータサンプルを必要とせずに、複数の有名なセグメンテーションフレームワークにわたって2つのモダリティで精度を向上させることを示しています。
プレビューコードは、https：//github.com/mgamz/psbpdで入手できます。

要約(オリジナル)

Most data-driven models for medical image analysis rely on universal augmentations to improve accuracy. Experimental evidence has confirmed their effectiveness, but the unclear mechanism underlying them poses a barrier to the widespread acceptance and trust in such methods within the medical community. We revisit and acknowledge the unique characteristics of medical images apart from traditional digital images, and consequently, proposed a medical-specific augmentation algorithm that is more elastic and aligns well with radiology scan procedure. The method performs piecewise affine with sinusoidal distorted ray according to radius on polar coordinates, thus simulating uncertain postures of human lying flat on the scanning table. Our method could generate human visceral distribution without affecting the fundamental relative position on axial plane. Two non-adaptive algorithms, namely Meta-based Scan Table Removal and Similarity-Guided Parameter Search, are introduced to bolster robustness of our augmentation method. In contrast to other methodologies, our method is highlighted for its intuitive design and ease of understanding for medical professionals, thereby enhancing its applicability in clinical scenarios. Experiments show our method improves accuracy with two modality across multiple famous segmentation frameworks without requiring more data samples. Our preview code is available in: https://github.com/MGAMZ/PSBPD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google