利用学习到的变换进行单次医学图像分割的数据增强

图像分割在许多医学应用中是一项重要任务。基于卷积神经网络的方法达到了最先进的精度；然而，它们通常依赖于使用大规模标注数据集进行监督训练。标注医学图像需要大量的专业知识和时间，而传统的手动调优数据增强方法无法捕捉这些图像中的复杂变化。本文提出了一种用于合成标注医学图像的自动化数据增强方法。我们在磁共振成像（MRI）脑部扫描的分割任务上展示了该方法的应用。我们的方法仅需一个已分割的扫描样本，并利用其他未标注的扫描样本采取半监督的方式。我们从图像中学习变换模型，并结合已标注的样本来生成额外的标注样本。每个变换由一个空间变形场和强度变化组成，能够合成复杂的效应，如解剖学差异和图像采集过程的变化。实验结果表明，使用这些新样本训练监督分割器相比现有的单次生物医学图像分割方法有显著提升。我们的代码可在 https://github.com/xamyzhao/brainstorm 获取。