Estás leyendo la publicación: Investigadores de China proponen un enfoque de aumento de datos CarveMix para la segmentación de lesiones cerebrales
La segmentación automatizada de lesiones cerebrales utilizando redes neuronales convolucionales (CNN) se ha convertido en una valiosa herramienta de investigación y diagnóstico clínico. Sin embargo, los enfoques basados en CNN aún enfrentan desafíos para segmentar con precisión las lesiones cerebrales debido a la escasez de datos de entrenamiento anotados. Se han desarrollado estrategias de aumento de datos que mezclan pares de imágenes anotadas para mejorar el entrenamiento de las CNN. Sin embargo, los métodos existentes basados en la mezcla de imágenes no están diseñados para lesiones cerebrales y pueden no funcionar bien para la segmentación de lesiones cerebrales.
Antes de utilizar los enfoques basados en CNN, los estudios previos sobre la segmentación automatizada de lesiones cerebrales se basaban en técnicas tradicionales de aprendizaje automático. Los desarrollos recientes en las CNN han resultado en mejoras sustanciales en el desempeño de la segmentación. Ejemplos de estos desarrollos recientes incluyen 3D DenseNet, U-Net, Context-Aware Network (CANet) y CNN consciente de la incertidumbre, que se han propuesto para segmentar varios tipos de lesiones cerebrales. Sin embargo, a pesar de estos avances, la segmentación precisa de las lesiones cerebrales sigue siendo un desafío.
Por lo tanto, un equipo de investigación de China propuso recientemente un enfoque de aumento de datos simple y efectivo llamado CarveMix, que tiene en cuenta las lesiones y conserva la información de las lesiones durante la combinación de imágenes.
CarveMix, un enfoque de aumento de datos, tiene en cuenta las lesiones y está diseñado específicamente para la segmentación de lesiones cerebrales basada en CNN. Combina estocásticamente dos imágenes anotadas para obtener nuevas muestras etiquetadas. CarveMix crea una región de interés (ROI) a partir de una imagen anotada según la ubicación y la geometría de la lesión con un tamaño de ROI variable. El ROI tallado luego reemplaza los vóxeles correspondientes en una segunda imagen anotada para sintetizar nuevas imágenes etiquetadas para el entrenamiento de la red. El método también aplica pasos de armonización adicionales para datos heterogéneos de diferentes fuentes y modela el efecto de masa exclusivo de la segmentación de tumores cerebrales completos durante la mezcla de imágenes.
Concretamente, los principales pasos del enfoque propuesto para la segmentación de lesiones cerebrales son los siguientes:
Los autores utilizan un conjunto de imágenes anotadas en 3D con lesiones cerebrales para entrenar una CNN para la segmentación automatizada de lesiones cerebrales.
A partir de las imágenes anotadas, el aumento de datos se realiza mediante CarveMix, que se basa en la mezcla de imágenes consciente de la lesión.
Para realizar la mezcla de imágenes, los autores toman un par de imágenes anotadas y extraen un ROI 3D de una imagen según la ubicación de la lesión y la geometría proporcionada por la anotación.
Luego, el ROI se mezcla con la otra imagen, reemplazando la región correspondiente y ajustando la anotación en consecuencia.
Finalmente, se obtienen imágenes anotadas sintéticas y anotaciones que pueden ser utilizadas para mejorar el entrenamiento de la red. Los autores repiten el proceso para generar diversos datos de entrenamiento anotados.
El método propuesto se evaluó en varios conjuntos de datos para la segmentación de lesiones cerebrales y se comparó con el aumento de datos tradicional (TDA), Mixup y CutMix. Los resultados muestran que CarveMix+TDA superó a los métodos de la competencia con respecto al coeficiente de Dice, la distancia de Hausdorff, la precisión y la recuperación. El método propuesto redujo las predicciones falsas negativas y la subsegmentación de las lesiones. También se mostró el beneficio de CarveMix solo sin TDA en línea.
En este artículo, presentamos un nuevo enfoque llamado CarveMix que se propuso como una técnica de aumento de datos para la segmentación de lesiones cerebrales. CarveMix es una combinación de imágenes de entrenamiento anotadas que crea imágenes de entrenamiento sintéticas. Esta combinación tiene en cuenta las lesiones, teniendo en cuenta la ubicación y la forma de las lesiones con un parámetro de tamaño muestreado aleatoriamente. Para garantizar la coherencia en la combinación de datos de diferentes fuentes, se introducen pasos de armonización. Además, se incorpora el modelado de efectos de masa para mejorar CarveMix específicamente para la segmentación de tumores cerebrales completos. Los resultados experimentales de cuatro tareas de segmentación de lesiones cerebrales muestran que CarveMix mejora la precisión y supera otras estrategias de aumento de datos.
