Biomedical image segmentation is an important task in many medical applications. Segmentation methods based on convolutional neural networks attain state-of-the-art accuracy; however, they typically rely on supervised training with large labeled datasets. Labeling datasets of medical images requires significant expertise and time, and is infeasible at large scales. To tackle the lack of labeled data, researchers use techniques such as hand-engineered preprocessing steps, hand-tuned architectures, and data augmentation. However, these techniques involve costly engineering efforts, and are typically dataset-specific. We present an automated data augmentation method for medical images. We demonstrate our method on the task of segmenting magnetic resonance imaging (MRI) brain scans, focusing on the one-shot segmentation scenario -- a practical challenge in many medical applications. Our method requires only a single segmented scan, and leverages other unlabeled scans in a semi-supervised approach. We learn a model of transforms from the images, and use the model along with the labeled example to synthesize additional labeled training examples for supervised segmentation. Each transform is comprised of a spatial deformation field and an intensity change, enabling the synthesis of complex effects such as variations in anatomy and image acquisition procedures. Augmenting the training of a supervised segmenter with these new examples provides significant improvements over state-of-the-art methods for one-shot biomedical image segmentation. Our code is available at https://github.com/xamyzhao/brainstorm.


翻译:在许多医学应用中,生物医学图像分割是一项重要任务。 以神经神经网络为基础的分解方法获得了最新准确性; 然而,它们通常依赖使用大标签数据集的监管培训; 医学图像的标签数据集需要大量专业知识和时间,而且大范围而言是行不通的。 为解决标签数据缺乏的问题,研究人员使用人工设计的预处理步骤、手控结构以及数据增强等技术。 然而,这些技术涉及昂贵的工程工作,而且通常是特定的数据数据集。 我们为医疗图像展示了自动化数据增强方法。 我们展示了我们进行磁共振成像(MRI)脑扫描)的任务,重点是一发分解情景,这是许多医学应用中的一项实际挑战。 我们的方法只需要单一的分解扫描,并在半超前方法中利用其他无标签的图像扫描。 我们从图像中学习了一种变异模型,并且使用标签式模型来合成更多的标签化培训示例,用于监管的图像分割图象。 我们的每部位变换都提供了一种空间解剖面的模型,这些变形过程的深度是这些变异的模型。 这些变化过程的演化过程的演化过程,这些变化过程的演化过程的深度, 的演化过程的演化过程的深度, 的演化过程的演变的深度, 的深度的深度的演化过程是演化过程的演化过程的演化过程的演化过程的演化过程的演化过程的演化过程, 的深度, 的深度的深度的深度的深度的演化过程的演化过程的深度, 的演化过程的变变化过程的变化过程的演化过程的演化过程的演化过程的变变化过程的变的变化过程的变化过程的演化过程是演化过程的演化过程的变的变的变的变的变化过程的变化过程的变化过程是演化过程是演变的变的变的变的变的变的变的变的变的变的变的变的变化过程的变化过程是演化过程的变化过程的变化过程的变化过程的变化方式, 的变化过程的变化过程的变化过程的变化方式。

5
下载
关闭预览

相关内容

数据增强在机器学习领域多指采用一些方法(比如数据蒸馏,正负样本均衡等)来提高模型数据集的质量,增强数据。
[综述]深度学习下的场景文本检测与识别
专知会员服务
76+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
Transferring Knowledge across Learning Processes
CreateAMind
24+阅读 · 2019年5月18日
弱监督语义分割最新方法资源列表
专知
9+阅读 · 2019年2月26日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
无监督元学习表示学习
CreateAMind
25+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
【推荐】RNN最新研究进展综述
机器学习研究会
25+阅读 · 2018年1月6日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Image Segmentation Using Deep Learning: A Survey
Arxiv
42+阅读 · 2020年1月15日
Deep learning for cardiac image segmentation: A review
Arxiv
21+阅读 · 2019年11月9日
Revisiting CycleGAN for semi-supervised segmentation
Arxiv
3+阅读 · 2019年8月30日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员