[论文解读] What is the best data augmentation approach for brain tumor segmentation using 3D U-Net?

Marco Domenico Cirillo, David Abramian+1 more|arXiv (Cornell University)|Oct 26, 2020

Advanced Neural Network Applications参考文献 11被引用 4

一句话总结

本研究基于BraTS 2020数据集，评估了3D U-Net在脑肿瘤分割任务中应用的数据增强技术。研究发现，亮度增强和弹性形变分别独立地实现了最佳性能，而组合使用多种增强方法并未带来优于单一技术的额外增益。

ABSTRACT

Training segmentation networks requires large annotated datasets, which in medical imaging can be hard to obtain. Despite this fact, data augmentation has in our opinion not been fully explored for brain tumor segmentation (a possible explanation is that the number of training subjects (369) is rather large in the BraTS 2020 dataset). Here we apply different types of data augmentation (flipping, rotation, scaling, brightness adjustment, elastic deformation) when training a standard 3D U-Net, and demonstrate that augmentation significantly improves performance on the validation set (125 subjects) in many cases. Our conclusion is that brightness augmentation and elastic deformation works best, and that combinations of different augmentation techniques do not provide further improvement compared to only using one augmentation technique.

研究动机与目标

• 探究不同数据增强技术对3D U-Net在脑肿瘤分割任务中性能的影响。
• 确定结合多种增强策略是否能提升分割精度，使其超越单独使用任一技术的效果。
• 评估在相对较大的数据集（369例受试者）中，增强技术的有效性，此时数据稀缺性问题已不突出。
• 为3D医学图像分割任务中最佳增强技术的应用提供实用指导。

提出的方法

• 在BraTS 2020数据集上应用标准3D U-Net进行脑肿瘤分割。
• 实现了五种增强技术：翻转、旋转、缩放、亮度调整和弹性形变。
• 在训练集（369例受试者）上分别单独使用每种增强类型训练独立模型。
• 在验证集（125例受试者）上使用标准分割指标评估模型性能。
• 比较仅使用单一增强类型训练的模型与使用组合增强方法训练的模型之间的性能表现。
• 根据验证集上的性能表现，选择最优的增强策略。

实验结果

研究问题

• RQ1 在脑肿瘤分割任务中，哪种单一数据增强技术能为3D U-Net带来最高的分割性能？
• RQ2 与仅使用单一技术相比，结合多种增强技术是否能带来进一步的性能提升？
• RQ3 在具有相对较多标注受试者（n=369）的数据集中，标准增强方法的有效性如何？
• RQ4 某些增强类型（如弹性形变或亮度调整）是否比其他类型提供更一致的性能增益？

主要发现

• 亮度增强在验证集上带来了最显著的分割性能提升。
• 弹性形变也带来了强劲的性能增益，位列最有效的增强技术之中。
• 多种增强技术的组合并未带来优于单一技术的性能提升。
• 与亮度调整和弹性形变相比，翻转、旋转和缩放带来的改进较为有限。
• 本研究证实，即使在大规模数据集中，数据增强仍是提升3D U-Net泛化能力的宝贵工具。
• 最佳结果是在仅使用亮度调整或仅使用弹性形变的情况下取得，无需将二者结合。