Generative AI Enables Medical Image Segmentation in Ultra Low-Data Regimes

医学图像的语义分割在疾病诊断和治疗规划等应用中至关重要。虽然深度学习在自动化此任务方面表现出色，但主要障碍是需要大量注释的分割掩模，由于所需的专业知识和时间，这些掩模的制作成本很高。这种情况经常导致超低数据环境，其中注释图像非常有限，这给测试图像上的传统深度学习方法的泛化带来了重大挑战。为了解决这个问题，我们引入了一个生成式深度学习框架，该框架独特地生成高质量的成对分割掩模和医学图像，作为在数据稀缺环境中训练强大模型的辅助数据。与传统的将数据生成和分割模型训练视为分开过程的生成模型不同，我们的方法采用多级优化进行端到端数据生成。这种方法允许分割性能直接影响数据生成过程，确保生成的数据专门定制以增强分割模型的性能。我们的方法在9个不同的医学图像分割任务和16个数据集上展示了强大的泛化性能，涵盖了各种疾病、器官和成像模式的超低数据环境。当应用于各种分割模型时，在同域和跨域情况下都实现了10-20\%（绝对值）的性能提高。值得注意的是，它所需的训练数据比现有方法少8到20倍，就能达到相当的结果。这一进步显著提高了在医学成像中应用深度学习的可行性和成本效益，特别是在数据有限的情况下。

如何在数据稀缺的情况下提高医学图像分割的性能？

通过引入生成对抗网络生成高质量的配对分割掩模和医学图像，作为训练模型的辅助数据，从而提高模型的性能。

该方法在9个不同的医学图像分割任务和16个数据集上展示了强大的泛化性能，相比现有方法，仅需要8到20倍的训练数据即可获得可比较的结果，这将显著提高医学影像中深度学习的可行性和成本效益。

最近的相关研究包括：1. 'Semi-supervised learning for medical image segmentation'；2. 'Data augmentation for medical image segmentation'；3. 'Generative adversarial networks for medical image synthesis and segmentation'。