MediAug: Исследование визуальных методов аугментации в медицинской визуализации

MediAug: Exploring Visual Augmentation in Medical Imaging

April 26, 2025

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

cs.AI

Аннотация

Аугментация данных играет ключевую роль в медицинской визуализации для повышения точности классификации, обнаружения поражений и сегментации органов в условиях ограниченного объема данных. Однако остаются две значительные проблемы. Во-первых, заметный разрыв между доменами естественных фотографий и медицинских изображений может искажать важные признаки заболеваний. Во-вторых, исследования по аугментации в медицинской визуализации фрагментированы и ограничены отдельными задачами или архитектурами, что оставляет преимущества современных стратегий, основанных на смешивании, неясными. Для решения этих проблем мы предлагаем унифицированную систему оценки с шестью методами аугментации, основанными на смешивании, интегрированными с архитектурами на основе сверточных сетей и трансформеров, на наборах данных МРТ опухолей мозга и изображений глазного дна при заболеваниях глаз. Наш вклад трехчастный. (1) Мы представляем MediAug — всеобъемлющий и воспроизводимый бенчмарк для продвинутой аугментации данных в медицинской визуализации. (2) Мы систематически оцениваем MixUp, YOCO, CropMix, CutMix, AugMix и SnapMix с архитектурами ResNet-50 и ViT-B. (3) Мы демонстрируем в ходе обширных экспериментов, что MixUp обеспечивает наибольшее улучшение в задаче классификации опухолей мозга для ResNet-50 с точностью 79,19%, а SnapMix — для ViT-B с точностью 99,44%, и что YOCO дает наибольшее улучшение в задаче классификации заболеваний глаз для ResNet-50 с точностью 91,60%, а CutMix — для ViT-B с точностью 97,94%. Код будет доступен по адресу 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.