DACov: A Deeper Analysis of Data Augmentation on the Computed Tomography Segmentation Problem

要約

COVID-19 の世界的なパンデミックにより、医用画像のコンピューター支援診断が大きな注目を集め、コンピューター断層撮影 (CT) 画像のセマンティック セグメンテーションの堅牢な方法が非常に望まれています。
この作業では、データ拡張技術がこの問題のセグメンテーション パフォーマンスをどのように改善するかについて、より深い分析を提示します。
5 つの公開データセットで 20 の従来の拡張技術を評価します。
画像に各拡張技術を適用する 6 つの異なる確率が評価されました。
また、トレーニング サブセットを組み合わせて 1 つの大きなセットにする、別のトレーニング方法も評価します。
すべてのネットワークは、5 倍の交差検証戦略によって評価され、4,600 以上の実験が行われました。
また、Generative Adversarial Networks (GAN) に基づく新しいデータ拡張手法を提案して、新しい健康な肺 CT 画像と不健康な肺 CT 画像を作成し、従来の方法と同じ 6 つの確率でアプローチの 4 つのバリエーションを評価します。
私たちの調査結果は、GAN ベースの手法と空間レベルの変換が、この問題に関する深いモデルの学習を改善するために最も有望であることを示しています。
統一されたトレーニング戦略。
私たちのコードは、https://github.com/VRI-UFPR/DACov2022 で公開されています。

要約(オリジナル)

Due to the COVID-19 global pandemic, computer-assisted diagnoses of medical images have gained much attention, and robust methods of semantic segmentation of Computed Tomography (CT) images have become highly desirable. In this work, we present a deeper analysis of how data augmentation techniques improve segmentation performance on this problem. We evaluate 20 traditional augmentation techniques on five public datasets. Six different probabilities of applying each augmentation technique on an image were evaluated. We also assess a different training methodology where the training subsets are combined into a single larger set. All networks were evaluated through a 5-fold cross-validation strategy, resulting in over 4,600 experiments. We also propose a novel data augmentation technique based on Generative Adversarial Networks (GANs) to create new healthy and unhealthy lung CT images, evaluating four variations of our approach with the same six probabilities of the traditional methods. Our findings show that GAN-based techniques and spatial-level transformations are the most promising for improving the learning of deep models on this problem, with the StarGANv2 + F with a probability of 0.3 achieving the highest F-score value on the Ricord1a dataset in the unified training strategy. Our code is publicly available at https://github.com/VRI-UFPR/DACov2022

arxiv情報

提供元, 利用サービス

arxiv.jp, Google