Datenverstärkung durch gelernte Transformationen für One-Shot-Segmentierung medizinischer Bilder

Bildsegmentierung ist eine wichtige Aufgabe in vielen medizinischen Anwendungen. Methoden, die auf konvolutionellen neuronalen Netzen basieren, erzielen den aktuellen Stand der Technik in Bezug auf Genauigkeit; sie hängen jedoch in der Regel von überwachtem Training mit großen annotierten Datensätzen ab. Die Annotation medizinischer Bilder erfordert erhebliches Fachwissen und Zeit, und typische manuell angepasste Ansätze zur Datenverstärkung scheitern daran, die komplexen Variationen solcher Bilder zu erfassen.Wir präsentieren eine automatisierte Methode zur Datenverstärkung für die Synthese annotierter medizinischer Bilder. Unser Verfahren wird anhand der Segmentierung von Magnetresonanztomografie (MRT)-Gehirnscans demonstriert. Unsere Methode benötigt lediglich einen einzelnen segmentierten Scan und nutzt andere unannotierte Scans in einem semi-überwachten Ansatz. Wir lernen ein Modell der Transformationen aus den Bildern und verwenden dieses Modell zusammen mit dem annotierten Beispiel, um zusätzliche annotierte Beispiele zu synthetisieren. Jede Transformation besteht aus einem räumlichen Deformationsfeld und einer Intensitätsänderung, was es ermöglicht, komplexe Effekte wie anatomische Variationen und Unterschiede in den Bildgebungsmethoden zu synthetisieren. Wir zeigen, dass das Training eines überwachten Segmentierers mit diesen neuen Beispielen erhebliche Verbesserungen gegenüber den besten bisherigen Methoden für die Segmentierung von medizinischen Bildern bei nur einem Beispiel bringt. Unser Code ist unter https://github.com/xamyzhao/brainstorm verfügbar.