Cutting-Splicing data augmentation: A novel technology for medical image segmentation

要約

背景: 医用画像は、自然画像よりも取得と注釈付けが難しいため、医用画像のセグメンテーション タスクでデータ拡張テクノロジがよく使用されます。
医療セグメンテーションで使用されるほとんどのデータ拡張技術は、もともと自然画像で開発されたものであり、医療画像の全体的なレイアウトが標準的で固定されているという特性を考慮していません。
方法: 医用画像の特性に基づいて、医用画像セグメンテーションのための新しいデータ拡張技術である切断接合データ拡張 (CS-DA) 方法を開発しました。
CS-DA は、さまざまな元の医用画像から切り出されたさまざまな位置コンポーネントを新しい画像に接合することで、データセットを拡張します。
医用画像の特性により、新しい画像は元の画像と同じレイアウトで似た外観になります。
従来のデータ拡張技術と比較して、CS-DA はよりシンプルで堅牢です。
さらに、CS-DA は、新しく作成された画像にノイズや偽の情報を導入しません。
結果: CS-DA の特性を調査するために、8 つの多様なデータセットに対して多くの実験が行われました。
サンプル サイズが小さいトレーニング データセットでは、CS-DA はセグメンテーション モデルのパフォーマンスを効果的に向上させることができます。
CS-DA を従来のデータ拡張テクノロジと一緒に使用すると、セグメンテーション モデルのパフォーマンスをさらに向上させることができ、CS-DA と従来のデータ拡張を別々に使用するよりもはるかに優れています。
また、コンポーネントの数、切断線の位置、接合方法が CS-DA の性能に与える影響も調査しました。
結論: 実験における CS-DA の優れたパフォーマンスは、CS-DA の有効性を確認し、小さなサンプル セグメンテーション タスクに新しいデータ拡張のアイデアを提供します。

要約(オリジナル)

Background: Medical images are more difficult to acquire and annotate than natural images, which results in data augmentation technologies often being used in medical image segmentation tasks. Most data augmentation technologies used in medical segmentation were originally developed on natural images and do not take into account the characteristic that the overall layout of medical images is standard and fixed. Methods: Based on the characteristics of medical images, we developed the cutting-splicing data augmentation (CS-DA) method, a novel data augmentation technology for medical image segmentation. CS-DA augments the dataset by splicing different position components cut from different original medical images into a new image. The characteristics of the medical image result in the new image having the same layout as and similar appearance to the original image. Compared with classical data augmentation technologies, CS-DA is simpler and more robust. Moreover, CS-DA does not introduce any noise or fake information into the newly created image. Results: To explore the properties of CS-DA, many experiments are conducted on eight diverse datasets. On the training dataset with the small sample size, CS-DA can effectively increase the performance of the segmentation model. When CS-DA is used together with classical data augmentation technologies, the performance of the segmentation model can be further improved and is much better than that of CS-DA and classical data augmentation separately. We also explored the influence of the number of components, the position of the cutting line, and the splicing method on the CS-DA performance. Conclusions: The excellent performance of CS-DA in the experiment has confirmed the effectiveness of CS-DA, and provides a new data augmentation idea for the small sample segmentation task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google