MediAug: 의료 영상에서의 시각적 증강 기법 탐구

MediAug: Exploring Visual Augmentation in Medical Imaging

April 26, 2025

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

cs.AI

초록

데이터 증강은 제한된 데이터 조건에서 분류 정확도, 병변 탐지, 장기 분할을 개선하기 위해 의료 영상에서 필수적입니다. 그러나 두 가지 중요한 과제가 남아 있습니다. 첫째, 자연 사진과 의료 영상 간의 현저한 도메인 차이는 중요한 질병 특징을 왜곡할 수 있습니다. 둘째, 의료 영상에서의 증강 연구는 단일 작업이나 아키텍처에 국한되어 있어, 고급 혼합 기반 전략의 이점이 명확하지 않습니다. 이러한 과제를 해결하기 위해, 우리는 뇌종양 MRI와 안구 질환 안저 데이터셋에서 컨볼루션 및 트랜스포머 백본과 통합된 여섯 가지 혼합 기반 증강 방법을 포함한 통합 평가 프레임워크를 제안합니다. 우리의 기여는 세 가지입니다. (1) 의료 영상에서 고급 데이터 증강을 위한 포괄적이고 재현 가능한 벤치마크인 MediAug을 소개합니다. (2) ResNet-50과 ViT-B 백본을 사용하여 MixUp, YOCO, CropMix, CutMix, AugMix, SnapMix을 체계적으로 평가합니다. (3) 광범위한 실험을 통해 MixUp이 ResNet-50에서 뇌종양 분류 작업에서 79.19% 정확도로 가장 큰 개선을 가져오고, SnapMix이 ViT-B에서 99.44% 정확도로 가장 큰 개선을 가져오며, YOCO가 ResNet-50에서 안구 질환 분류 작업에서 91.60% 정확도로 가장 큰 개선을 가져오고, CutMix이 ViT-B에서 97.94% 정확도로 가장 큰 개선을 가져온다는 것을 입증합니다. 코드는 https://github.com/AIGeeksGroup/MediAug에서 제공될 예정입니다.

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.