Ricercatori cinesi propongono un approccio di aumento dei dati chiamato CarveMix per la segmentazione delle lesioni cerebrali

Chinese researchers propose a data augmentation approach called CarveMix for brain lesion segmentation.

La segmentazione automatica delle lesioni cerebrali utilizzando reti neurali convoluzionali (CNN) è diventata uno strumento diagnostico e di ricerca prezioso. Tuttavia, gli approcci basati su CNN continuano ad affrontare sfide nella segmentazione accurata delle lesioni cerebrali a causa della scarsità di dati di addestramento annotati. Sono state sviluppate strategie di aumento dei dati che mescolano coppie di immagini annotate per migliorare l’addestramento delle CNN. Tuttavia, i metodi esistenti basati sul mescolamento delle immagini non sono progettati per le lesioni cerebrali e potrebbero non ottenere buoni risultati nella segmentazione delle lesioni cerebrali.

Prima di utilizzare gli approcci basati su CNN, gli studi precedenti sulla segmentazione automatizzata delle lesioni cerebrali si basavano su tecniche di apprendimento automatico tradizionali. Sviluppi recenti nelle CNN hanno portato a miglioramenti significativi delle prestazioni di segmentazione. Esempi di questi sviluppi recenti includono 3D DenseNet, U-Net, Context-Aware Network (CANet) e CNN consapevole dell’incertezza, proposti per la segmentazione di vari tipi di lesioni cerebrali. Tuttavia, nonostante questi progressi, la segmentazione accurata delle lesioni cerebrali rimane una sfida.

Pertanto, un team di ricerca della Cina ha proposto di recente un approccio di aumento dei dati semplice ed efficace chiamato CarveMix, che tiene conto delle lesioni e preserva le informazioni sulle lesioni durante la combinazione delle immagini.

• Ricercatori di Stanford presentano Sophia un ottimizzatore di secondo ordine scalabile per la fase di pre-addestramento dei modelli di linguaggio.
• Questo articolo sull’IA mostra una strada per creare grandi quantità di dati di istruzione con livelli di complessità variabili utilizzando LLM al posto degli esseri umani
• Una panoramica degli Autoencoder Variationali

CarveMix, un approccio di aumento dei dati, tiene conto delle lesioni ed è stato progettato specificamente per la segmentazione delle lesioni cerebrali basata su CNN. Combina in modo stocastico due immagini annotate per ottenere nuovi campioni etichettati. CarveMix intaglia una regione di interesse (ROI) da un’immagine annotata in base alla posizione e alla geometria della lesione con una dimensione variabile della ROI. La ROI intagliata sostituisce quindi i voxel corrispondenti in una seconda immagine annotata per sintetizzare nuove immagini etichettate per l’addestramento della rete. Il metodo applica anche passaggi di armonizzazione aggiuntivi per dati eterogenei da diverse fonti e modella l’effetto massa unico per la segmentazione totale dei tumori cerebrali durante il mescolamento delle immagini.

In concreto, i principali passaggi dell’approccio proposto per la segmentazione delle lesioni cerebrali sono i seguenti:

Gli autori utilizzano un insieme di immagini annotate 3D con lesioni cerebrali per addestrare una CNN per la segmentazione automatizzata delle lesioni cerebrali.

Dalle immagini annotate, viene eseguito l’aumento dei dati utilizzando CarveMix, basato sul mescolamento di immagini che tiene conto delle lesioni.

Per eseguire il mescolamento delle immagini, gli autori prendono una coppia di immagini annotate ed estraggono una ROI 3D da un’immagine in base alla posizione e alla geometria della lesione fornita dall’annotazione.

Quindi la ROI viene mescolata con l’altra immagine, sostituendo la regione corrispondente, e l’annotazione viene adattata di conseguenza.

Infine, vengono ottenute immagini annotate e annotazioni sintetiche che possono essere utilizzate per migliorare l’addestramento della rete. Gli autori ripetono il processo per generare dati di addestramento annotati diversi.

Il metodo proposto è stato valutato su diversi set di dati per la segmentazione delle lesioni cerebrali e confrontato con l’aumento dei dati tradizionale (TDA), Mixup e CutMix. I risultati mostrano che CarveMix+TDA ha ottenuto risultati migliori rispetto ai metodi concorrenti in termini di coefficiente di Dice, distanza di Hausdorff, precisione e richiamo. Il metodo proposto ha ridotto le previsioni di falsi negativi e la sotto-segmentazione delle lesioni. È stato dimostrato anche il vantaggio di CarveMix da solo, senza l’uso di TDA online.

In questo articolo abbiamo presentato un nuovo approccio chiamato CarveMix, proposto come tecnica di aumento dei dati per la segmentazione delle lesioni cerebrali. CarveMix è una combinazione di immagini di addestramento annotate che crea immagini di addestramento sintetiche. Questa combinazione tiene conto delle lesioni, tenendo conto della posizione e della forma delle lesioni con un parametro di dimensione campionato casualmente. Per garantire la coerenza nella combinazione dei dati da diverse fonti, vengono introdotti passaggi di armonizzazione. Inoltre, viene incluso un modello di effetto massa per migliorare CarveMix specificamente per la segmentazione totale dei tumori cerebrali. I risultati sperimentali di quattro compiti di segmentazione delle lesioni cerebrali mostrano che CarveMix migliora l’accuratezza e supera altre strategie di aumento dei dati.