Tensor Erasing-Based Data Augmentation for Fully Automated Brain Tumor MRI Segmentation
本文提出了一种新颖的张量擦除（Tensor Erasing）数据增强方法，该方法通过随机体素擦除来模拟图像损坏，从而有效应对标注数据集稀缺的挑战，进而增强用于全自动三维脑肿瘤 MRI 分割的深度学习模型的鲁棒性和泛化能力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在人类大脑那静谧而复杂的景观中，肿瘤会以一种具有欺骗性的微妙方式生长，将自身编织进健康的组织之中，直到生命与疾病之间的界限变得模糊。对于依靠磁共振成像（MRI）来绘制这些生长图谱的医生而言，挑战是巨大的。这些扫描能够产生大脑详细的三维图像，但数据往往稀缺且并不完美。为了教会计算机如何在这些图像中自动寻找并勾勒出肿瘤轮廓，研究人员需要数以千计的示例，且每一个都需经过人工仔细标注。这是一个缓慢且耗费人力的过程，而标注数据的匮量往往导致人工智能模型难以实现泛化，这意味着它们可能在研究过的图像上表现良好，但在面对来自真实患者的、略有不同的新扫描图像时却会失效。医学计算机视觉领域正致力于弥补这一差距，旨在创造出即使在图像存在噪声或不完整的情况下，也能像受过训练的专家一样清晰识别肿瘤的系统。
为了解决这个问题，一个研究小组开发了一种通过刻意增加训练图像阅读难度来教导这些计算机模型的新方法。他们将这种方法称为“张量擦除”（Tensor Erasing）。研究人员并非仅仅向计算机展示完美、洁净的脑肿瘤图像，而是提取三维 MRI 数据，并随机选择图像中的一个小立方体块将其完全变黑，从而有效地抹去了图像的那部分内容。他们在进行这一操作时，并不会改变告知计算机肿瘤特征的标签。这有点像是在尝试识别一位朋友的面容时，有人偶尔用一张纸遮住对方的部分五官；大脑被迫去学习整体的形状和结构，而不是依赖于某一个特定的细节。通过在这些“受损”的图像上进行训练，计算机学会了变得更加稳健，专注于肿瘤的全局结构，以便即使在现实世界的医院环境中，当部分扫描内容缺失或损坏时，仍能正确识别它。
研究人员使用来自名为 BraTS2019 的公开挑战赛的大量脑部扫描数据对这一方法进行了测试，该数据集包含来自 335 名不同患者的图像。他们将这些数据输入到三种不同类型的人工智能网络中，其中包括一种被称为 3D U-Net 的流行设计，以及另一种被称为 Attention-UNet 的网络。在应用这种新方法之前，他们必须确定被擦除块的合适大小。他们尝试擦除小立方体、中等立方体和大立方体，以观察哪种尺寸最有助于计算机学习。他们发现，理想的大小取决于所使用的特定网络类型：对于其中一个模型，较小的擦除效果最好；而对于另一个模型，较大的区块则更为有效。这表明并没有适用于所有情况的单一完美设置，该方法必须针对手头的特定工具进行调整。
在对比结果时，差异显而易见。使用这些刻意擦除图像进行训练的计算机模型，其表现明显优于仅使用洁净数据进行训练的模型。例如，在使用 Attention-UNet 模型时，采用这种新型擦除方法训练的版本在识别整个肿瘤时达到了 87.15% 的成功率（即 Dice 系数），在识别肿瘤核心部分时为 82.77%，在识别最具活性、增强部分时为 78.28%。这些数字代表了准确性的显著提升。或许更重要的一点是，这些模型在识别肿瘤的同时，能更好地避免将健康组织误判为病变组织。在视觉对比中，经过这种新方法训练的模型所生成的轮廓能更紧密地贴合专家绘制的“金标准”，而未经此类训练的模型则倾向于分散其预测结果，将健康区域标记为潜在的肿瘤。
这项研究证实，这种在训练期间随机移除图像部分的简单、低成本策略，可以使人工智能在医疗应用中变得更加可靠。该方法不需要昂贵的新硬件或对计算机网络本身进行复杂的修改；它仅仅是改变了计算机在学习过程中所看到的数据。通过迫使系统应对缺失的信息，研究人员创造出了一个能够更好地应对临床扫描中“混乱现实”的工具，因为在现实中，图像可能会模糊或不完整。这种方法为改进计算机辅助医生诊断脑肿瘤提供了切实可行的路径，确保这些智能系统在最关键的时刻能够以更高的信心和准确度执行任务。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。