학습된 변환을 이용한 원샷 의료 이미지 분할을 위한 데이터 증강

이미지 분할은 많은 의료 응용 분야에서 중요한 작업입니다. 컨볼루션 신경망을 기반으로 하는 방법들은 최고 수준의 정확도를 달성하지만, 일반적으로 대규모 라벨링된 데이터셋을 사용한 지도 학습에 의존합니다. 의료 이미지를 라벨링하는 것은 상당한 전문성과 시간이 필요하며, 일반적인 데이터 증강 방법은 이러한 이미지의 복잡한 변동성을 포착하지 못하는 경우가 많습니다.본 연구에서는 라벨링된 의료 이미지를 합성하기 위한 자동화된 데이터 증강 방법을 제시합니다. 이 방법은 자기 공명 영상(MRI) 뇌 스캔의 분할 작업에서 시연됩니다. 우리의 방법은 단 하나의 분할된 스캔만 필요로 하며, 반지도 학습 접근법을 통해 다른 비라벨링된 스캔들을 활용합니다. 우리는 이미지들로부터 변환 모델을 학습하고, 이 모델과 라벨링된 예제를 사용하여 추가적인 라벨링된 예제들을 생성합니다. 각 변환은 공간적 변형 필드와 강도 변화로 구성되어 있어 해부학적 변동성이나 이미지 획득 절차 등의 복잡한 효과를 합성할 수 있습니다. 우리는 이러한 새로운 예제들을 사용하여 지도 분할기(세그멘터)를 훈련시키면, 원샷 바이오메디컬 이미지 분할에 대한 최신 방법론보다 크게 개선되는 것을 보여줍니다. 본 연구의 코드는 https://github.com/xamyzhao/brainstorm 에서 제공됩니다.