MediAug: Explorando a Aumentação Visual em Imagens 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

Resumo

Aumento de dados é essencial em imagens médicas para melhorar a precisão de classificação, detecção de lesões e segmentação de órgãos em condições de dados limitados. No entanto, dois desafios significativos permanecem. Primeiro, uma lacuna de domínio pronunciada entre fotografias naturais e imagens médicas pode distorcer características críticas de doenças. Segundo, estudos de aumento em imagens médicas são fragmentados e limitados a tarefas ou arquiteturas únicas, deixando os benefícios de estratégias avançadas baseadas em mistura pouco claros. Para abordar esses desafios, propomos um framework de avaliação unificado com seis métodos de aumento baseados em mistura integrados a backbones tanto convolucionais quanto de transformadores em conjuntos de dados de ressonância magnética de tumores cerebrais e fundo de olho para doenças oculares. Nossas contribuições são três. (1) Introduzimos o MediAug, um benchmark abrangente e reproduzível para aumento avançado de dados em imagens médicas. (2) Avaliamos sistematicamente MixUp, YOCO, CropMix, CutMix, AugMix e SnapMix com backbones ResNet-50 e ViT-B. (3) Demonstramos através de extensos experimentos que o MixUp proporciona a maior melhoria na tarefa de classificação de tumores cerebrais para o ResNet-50 com 79,19% de precisão e o SnapMix proporciona a maior melhoria para o ViT-B com 99,44% de precisão, e que o YOCO proporciona a maior melhoria na tarefa de classificação de doenças oculares para o ResNet-50 com 91,60% de precisão e o CutMix proporciona a maior melhoria para o ViT-B com 97,94% de precisão. O código estará disponível em 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.