Data augmentation using learned transformations for one-shot medical image segmentation
1.问题总结
图像分割是医学应用中的重要任务。基于卷积网络的方法已经实现了非常好的效果。但是它们通常依赖于大量标记的数据集。标记医学图像往往需要大量的专业知识和时间，并且用于数据增强的典型手动调整方法无法捕获此类图像中复杂变化。
2.解决方法
通过学习合成多样的现实的标签实例来解决有限的标签数据问题。我们的数据增强新方法利用了没有标签的图像。使用基于学习的配准方法，对数据集中的图像之间的空间和外观变换集进行建模。这些模型捕获了未标记图像之间的解剖和图像多样性。我们合成新的实例通过采样变换并把他们应用到单个有标签的实例上。
3.总结
提出了一个基于学习的数据增强方法，并且在一次医学图像分割中进行了演示。
我们从一个带标签的图像和一些未带标签的图像开始。使用基于学习的配准方法，我们在带标签和未带标签的图像之间建模空间和外观转换集。这些转换可以捕获诸如非线性变形和图像强度的变换。我们合成新的标签通过采样转换并且并将其应用于标签，产生各种逼真的新图像。