中国研究人员提出了一种名为CarveMix的数据增强方法，用于脑损伤分割
Chinese researchers proposed a data augmentation method called CarveMix for brain injury segmentation.
使用卷积神经网络（CNN）进行自动脑损伤分割已成为有价值的临床诊断和研究工具。然而，基于CNN的方法在准确分割脑损伤方面仍面临挑战，原因是标注训练数据的稀缺性。已开发出混合一对标注图像的数据增强策略，以提高CNN的训练效果。然而，基于图像混合的现有方法未针对脑损伤设计，并且可能在脑损伤分割方面表现不佳。
在使用基于CNN的方法之前，先前的自动脑损伤分割研究依赖于传统的机器学习技术。CNN的最新发展在分割性能方面取得了显著的提升。这些最新发展的示例包括3D DenseNet、U-Net、Context-Aware Network（CANet）和uncertainty-aware CNN，它们被提出用于分割各种类型的脑损伤。然而，尽管有这些进展，准确分割脑损伤仍然具有挑战性。
因此，中国的一个研究团队最近提出了一种名为CarveMix的简单有效的数据增强方法，该方法是针对脑损伤感知的，并在图像组合过程中保留了脑损伤信息。
CarveMix是一种数据增强方法，专门为基于CNN的脑损伤分割而设计的。它通过随机组合两个标注图像来获得新的标记样本。CarveMix根据损伤位置和几何形状从一个标注图像中切取感兴趣区域（ROI），ROI的大小是可变的。然后，将切取的ROI替换成第二个标注图像中的相应体素，以合成用于网络训练的新标记图像。该方法还针对来自不同来源的异构数据应用额外的协调步骤，并在图像混合过程中建模整个脑肿瘤分割的质量影响。
具体来说，用于脑损伤分割的所提出方法的主要步骤如下：
作者使用一组带有脑损伤的3D标注图像来训练CNN进行自动脑损伤分割。
从标注图像中，使用基于CarveMix的脑损伤感知数据增强方法进行增强。
为了进行图像混合，作者使用一对标注图像，并根据注释提供的损伤位置和几何形状从一个图像中提取一个3D感兴趣区域（ROI）。
然后，将ROI与另一个图像混合，替换相应的区域，并相应地调整注释。
最后，获得合成的标注图像和注释，可以用于改善网络训练。作者重复这个过程以生成多样化的标注训练数据。
所提出的方法在多个脑损伤分割数据集上进行了评估，并与传统的数据增强（TDA）、Mixup和CutMix进行了比较。结果显示，CarveMix+TDA在Dice系数、Hausdorff距离、准确率和召回率等方面优于其他方法。所提出的方法减少了假阴性预测和损伤的欠分割。还展示了单独使用CarveMix而不进行在线TDA的好处。
本文介绍了一种名为CarveMix的新方法，该方法被提出作为脑损伤分割的数据增强技术。CarveMix是一种标注训练图像的组合，用于创建合成训练图像。这种组合是脑损伤感知的，考虑了损伤的位置和形状，并使用随机采样的大小参数。为了确保来自不同来源的数据组合的一致性，引入了协调步骤。此外，还引入了质量影响建模，以改进CarveMix特别针对整个脑肿瘤分割。四个脑损伤分割任务的实验结果表明，CarveMix提高了准确性，并优于其他数据增强策略。
