中国の研究者が、脳損傷セグメンテーションのためのデータ拡張手法CarveMixを提案しています

Chinese researchers propose the data augmentation method CarveMix for brain injury segmentation.

畳み込みニューラルネットワーク（CNN）を用いた自動脳病巣セグメンテーションは、貴重な臨床診断や研究ツールとなっています。しかし、CNNベースの手法は、アノテーション付きトレーニングデータが不足しているため、脳病巣の正確なセグメンテーションにはまだ課題があります。アノテーション付き画像のペアを混合するデータ拡張戦略がCNNのトレーニングを改善するために開発されています。しかし、画像の混合に基づく既存の手法は脳病巣には適用されず、脳病巣のセグメンテーションにはうまく機能しない可能性があります。

CNNベースの手法を使用する前に、自動脳病巣セグメンテーションに関する以前の研究では、従来の機械学習手法に頼っていました。CNNの最近の進歩により、セグメンテーションの性能が大幅に向上しました。最近の進展の例として、3D DenseNet、U-Net、Context-Aware Network（CANet）、不確実性を考慮したCNNなどが脳病巣のさまざまなタイプのセグメンテーションのために提案されています。しかし、これらの進歩にもかかわらず、脳病巣の正確なセグメンテーションは依然として困難です。

そこで、中国の研究チームは最近、CarveMixというシンプルで効果的なデータ拡張手法を提案しました。この手法はレジオンを認識し、画像の組み合わせ中にレジオン情報を保持するように設計されています。

• 「このAI論文は、人間ではなくLLMを使用して、複雑さの異なる大量の教示データを作成するための手段を示しています」
• 変分オートエンコーダーの概要
• 「OpenAIの信頼性と安全性の責任者が辞任：ChatGPTに与える影響は何ですか？」

CarveMixは、脳病巣セグメンテーションに特化したCNNベースのデータ拡張手法であり、レジオンを認識し、新しいラベル付きサンプルを取得するために2つのアノテーション付き画像を確率的に組み合わせます。CarveMixは、可変のROIサイズでレジオンの位置と形状に応じて1つのアノテーション付き画像から関心領域（ROI）を切り取ります。その切り取られたROIは、2番目のアノテーション付き画像の対応するボクセルに置き換えられ、ネットワークトレーニング用の新しいラベル付き画像が合成されます。この手法は、異なるソースからの非均質なデータに対して追加の調和手法を適用し、画像の組み合わせ中に特異な全脳腫瘍セグメンテーションの質量効果をモデル化します。

具体的には、脳病巣セグメンテーションのための提案手法の主なステップは以下の通りです。

著者は、脳病巣を持つ一連の3Dアノテーション付き画像を使用して、自動脳病巣セグメンテーションのためのCNNをトレーニングします。

アノテーション付き画像から、レジオンを認識するCarveMixを用いてデータ拡張を行います。

画像の組み合わせを行うために、著者はアノテーション付き画像のペアを取り、アノテーションによって与えられるレジオンの位置と形状に応じて1つの画像から3D ROIを抽出します。

次に、ROIを他の画像と組み合わせ、対応する領域に置き換え、アノテーションを調整します。

最終的に、ネットワークトレーニングを改善するために使用できる合成ラベル付き画像とアノテーションが得られます。著者は、多様なアノテーション付きトレーニングデータを生成するためにこのプロセスを繰り返します。

提案手法は、脳病巣セグメンテーションのためのいくつかのデータセットで評価され、従来のデータ拡張（TDA）、Mixup、CutMixと比較されました。結果は、Dice係数、ハウスドルフ距離、精度、再現率に関してCarveMix+TDAが競合手法を上回ることを示しています。提案手法は、偽陰性の予測と病変の過度のセグメンテーションを減らすことができました。また、オンラインTDAなしでのCarveMixの利点も示されました。

この記事では、脳病巣セグメンテーションのためのデータ拡張手法として提案されたCarveMixという新しいアプローチを紹介しました。CarveMixは、合成されたトレーニング画像を作成するアノテーション付きトレーニング画像の組み合わせです。この組み合わせはレジオンを認識し、ランダムにサンプリングされたサイズパラメータを考慮しています。異なるソースからのデータの組み合わせに一貫性を確保するために調和手法が導入されています。さらに、全脳腫瘍セグメンテーションのためにCarveMixを特に改善するために質量効果モデリングが組み込まれています。4つの脳病巣セグメンテーションタスクの実験結果は、CarveMixが精度を向上させ、他のデータ拡張戦略を凌駕していることを示しています。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!