Augmentation de données utilisant des transformations apprises pour la segmentation d'images médicales en un seul coup

La segmentation d'images est une tâche importante dans de nombreuses applications médicales. Les méthodes basées sur les réseaux neuronaux convolutifs atteignent des niveaux de précision à la pointe de l'art ; cependant, elles dépendent généralement d'un entraînement supervisé avec de grands ensembles de données étiquetés. L'étiquetage d'images médicales nécessite une expertise et un temps considérables, et les approches classiques pour l'augmentation de données échouent souvent à capturer les variations complexes présentes dans ces images.Nous présentons une méthode d'augmentation de données automatisée pour la synthèse d'images médicales étiquetées. Nous illustrons notre méthode sur la tâche de segmentation des clichés cérébraux par imagerie par résonance magnétique (IRM). Notre méthode ne nécessite qu'une seule IRM segmentée et exploite d'autres clichés non étiquetés dans une approche semi-supervisée. Nous apprenons un modèle de transformations à partir des images et utilisons ce modèle conjointement avec l'exemple étiqueté pour synthétiser des exemples supplémentaires étiquetés. Chaque transformation comprend un champ de déformation spatiale et un changement d'intensité, permettant ainsi la synthèse d'effets complexes tels que les variations anatomiques et les procédures d'acquisition d'images. Nous montrons que l'entraînement d'un segmenteur supervisé avec ces nouveaux exemples apporte des améliorations significatives par rapport aux méthodes actuelles pour la segmentation d'images biomédicales en une seule prise (one-shot).Notre code est disponible à l'adresse suivante : https://github.com/xamyzhao/brainstorm.