MediAug: Onderzoek naar Visuele Augmentatie in Medische Beeldvorming

MediAug: Exploring Visual Augmentation in Medical Imaging

April 26, 2025

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

cs.AI

Samenvatting

Data-augmentatie is essentieel in medische beeldvorming voor het verbeteren van classificatienauwkeurigheid, laesiedetectie en orgaansegmentatie onder beperkte dataomstandigheden. Er blijven echter twee belangrijke uitdagingen bestaan. Ten eerste kan een aanzienlijk domeingat tussen natuurlijke foto's en medische beelden kritieke ziektekenmerken verstoren. Ten tweede zijn augmentatiestudies in medische beeldvorming gefragmenteerd en beperkt tot enkele taken of architecturen, waardoor de voordelen van geavanceerde mix-gebaseerde strategieën onduidelijk blijven. Om deze uitdagingen aan te pakken, stellen we een uniform evaluatiekader voor met zes mix-gebaseerde augmentatiemethoden geïntegreerd met zowel convolutionele als transformer-backbones op MRI-datasets van hersentumoren en fundusdatasets van oogziekten. Onze bijdragen zijn drievoudig. (1) We introduceren MediAug, een uitgebreide en reproduceerbare benchmark voor geavanceerde data-augmentatie in medische beeldvorming. (2) We evalueren systematisch MixUp, YOCO, CropMix, CutMix, AugMix en SnapMix met ResNet-50 en ViT-B-backbones. (3) We tonen door uitgebreide experimenten aan dat MixUp de grootste verbetering oplevert voor de hersentumorclassificatietaak met ResNet-50 met een nauwkeurigheid van 79,19% en SnapMix de grootste verbetering voor ViT-B met een nauwkeurigheid van 99,44%, en dat YOCO de grootste verbetering oplevert voor de oogziekteclassificatietaak met ResNet-50 met een nauwkeurigheid van 91,60% en CutMix de grootste verbetering voor ViT-B met een nauwkeurigheid van 97,94%. Code zal beschikbaar zijn op 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.