MediAug: Exploración de la Aumentación Visual en Imágenes Médicas

MediAug: Exploring Visual Augmentation in Medical Imaging

April 26, 2025

Autores: Xuyin Qi, Zeyu Zhang, Canxuan Gang, Hao Zhang, Lei Zhang, Zhiwei Zhang, Yang Zhao

cs.AI

Resumen

El aumento de datos es esencial en imágenes médicas para mejorar la precisión en la clasificación, la detección de lesiones y la segmentación de órganos en condiciones de datos limitados. Sin embargo, persisten dos desafíos significativos. Primero, una brecha de dominio pronunciada entre fotografías naturales e imágenes médicas puede distorsionar características críticas de las enfermedades. Segundo, los estudios de aumento en imágenes médicas están fragmentados y limitados a tareas o arquitecturas individuales, dejando poco claros los beneficios de las estrategias avanzadas basadas en mezclas. Para abordar estos desafíos, proponemos un marco de evaluación unificado con seis métodos de aumento basados en mezclas, integrados tanto con arquitecturas convolucionales como con transformadores, en conjuntos de datos de resonancia magnética de tumores cerebrales y fondos de ojo de enfermedades oculares. Nuestras contribuciones son tres. (1) Presentamos MediAug, un punto de referencia completo y reproducible para el aumento avanzado de datos en imágenes médicas. (2) Evaluamos sistemáticamente MixUp, YOCO, CropMix, CutMix, AugMix y SnapMix con arquitecturas ResNet-50 y ViT-B. (3) Demostramos mediante experimentos extensos que MixUp produce la mayor mejora en la tarea de clasificación de tumores cerebrales para ResNet-50 con un 79.19% de precisión y SnapMix produce la mayor mejora para ViT-B con un 99.44% de precisión, mientras que YOCO produce la mayor mejora en la tarea de clasificación de enfermedades oculares para ResNet-50 con un 91.60% de precisión y CutMix produce la mayor mejora para ViT-B con un 97.94% de precisión. El código estará disponible en https://github.com/AIGeeksGroup/MediAug.

English

Data augmentation is essential in medical imaging for improving classification accuracy, lesion detection, and organ segmentation under limited data conditions. However, two significant challenges remain. First, a pronounced domain gap between natural photographs and medical images can distort critical disease features. Second, augmentation studies in medical imaging are fragmented and limited to single tasks or architectures, leaving the benefits of advanced mix-based strategies unclear. To address these challenges, we propose a unified evaluation framework with six mix-based augmentation methods integrated with both convolutional and transformer backbones on brain tumour MRI and eye disease fundus datasets. Our contributions are threefold. (1) We introduce MediAug, a comprehensive and reproducible benchmark for advanced data augmentation in medical imaging. (2) We systematically evaluate MixUp, YOCO, CropMix, CutMix, AugMix, and SnapMix with ResNet-50 and ViT-B backbones. (3) We demonstrate through extensive experiments that MixUp yields the greatest improvement on the brain tumor classification task for ResNet-50 with 79.19% accuracy and SnapMix yields the greatest improvement for ViT-B with 99.44% accuracy, and that YOCO yields the greatest improvement on the eye disease classification task for ResNet-50 with 91.60% accuracy and CutMix yields the greatest improvement for ViT-B with 97.94% accuracy. Code will be available at https://github.com/AIGeeksGroup/MediAug.