Neue Ansätze der Datenaugmentation in der medizinischen Bildgebung mit MediAug

Datenaugmentation in der medizinischen Bildgebung: MediAug setzt neue Maßstäbe

Die medizinische Bildgebung spielt eine entscheidende Rolle in der Diagnostik und Behandlung von Krankheiten. Künstliche Intelligenz (KI) hat in diesem Bereich in den letzten Jahren enorme Fortschritte erzielt, insbesondere im Bereich des maschinellen Lernens. Ein wichtiger Faktor für den Erfolg von KI-Modellen ist die Verfügbarkeit großer, qualitativ hochwertiger Datensätze. In der medizinischen Bildgebung ist die Beschaffung solcher Datensätze jedoch oft mit Herausforderungen verbunden, sei es aufgrund von Datenschutzbestimmungen, hohen Kosten oder der Seltenheit bestimmter Erkrankungen. Datenaugmentation bietet hier eine vielversprechende Lösung, um die Größe und Vielfalt von Trainingsdaten künstlich zu erhöhen und so die Leistung von KI-Modellen zu verbessern.

Herausforderungen und Lösungsansätze

Die Datenaugmentation in der medizinischen Bildgebung birgt jedoch spezifische Herausforderungen. Im Gegensatz zu natürlichen Bildern weisen medizinische Aufnahmen oft subtile, aber entscheidende Merkmale auf, die für die Diagnose von Krankheiten relevant sind. Herkömmliche Augmentationstechniken, die für natürliche Bilder entwickelt wurden, können diese Merkmale verfälschen und somit die Leistung der KI-Modelle beeinträchtigen. Ein weiterer Aspekt ist die Fragmentierung der bisherigen Forschung zur Datenaugmentation in der medizinischen Bildgebung. Studien konzentrieren sich oft auf einzelne Aufgaben oder Architekturen, wodurch ein umfassender Vergleich verschiedener Augmentationsmethoden fehlt.

Um diesen Herausforderungen zu begegnen, wurde MediAug entwickelt, ein umfassendes und reproduzierbares Benchmark-Framework für fortschrittliche Datenaugmentation in der medizinischen Bildgebung. MediAug integriert sechs sogenannte "Mix-basierte" Augmentationsmethoden – MixUp, YOCO, CropMix, CutMix, AugMix und SnapMix – und kombiniert diese mit sowohl Convolutional Neural Networks (CNNs) als auch Transformer-basierten Architekturen. Die Evaluierung erfolgt anhand von zwei medizinischen Bilddatensätzen: MRT-Aufnahmen von Hirntumoren und Fundusaufnahmen von Augenerkrankungen.

MediAug: Ein neuer Benchmark für die medizinische Bildgebung

Die Ergebnisse der Studie zeigen, dass Mix-basierte Augmentationsmethoden die Leistung von KI-Modellen in der medizinischen Bildgebung signifikant verbessern können. Für die Klassifizierung von Hirntumoren erzielte MixUp in Kombination mit ResNet-50 die höchste Genauigkeit von 79,19%, während SnapMix mit ViT-B eine Genauigkeit von 99,44% erreichte. Bei der Klassifizierung von Augenerkrankungen erzielte YOCO mit ResNet-50 die beste Leistung mit 91,60% Genauigkeit, und CutMix mit ViT-B erreichte 97,94%.

Die Studie unterstreicht die Bedeutung der Wahl der richtigen Augmentationsmethode in Abhängigkeit von der spezifischen Aufgabe und der verwendeten Architektur. MediAug bietet Forschern und Entwicklern eine wertvolle Grundlage für die Auswahl und Optimierung von Augmentationsstrategien in der medizinischen Bildgebung. Der frei verfügbare Code ermöglicht die Reproduzierbarkeit der Ergebnisse und fördert die Weiterentwicklung des Feldes.

Ausblick

MediAug stellt einen wichtigen Schritt in Richtung einer systematischen und umfassenden Evaluierung von Datenaugmentationstechniken in der medizinischen Bildgebung dar. Zukünftige Forschung könnte sich auf die Entwicklung neuer, speziell auf medizinische Bilder zugeschnittener Augmentationsmethoden konzentrieren. Darüber hinaus ist die Untersuchung der Auswirkungen von Datenaugmentation auf andere Aufgaben in der medizinischen Bildgebung, wie z.B. die Segmentierung von Organen oder die Detektion von Läsionen, von großem Interesse.

Bibliography: Qi, X., Zhang, Z., Gang, C., Zhang, H., Zhang, L., Zhang, Z., & Zhao, Y. (2025). MediAug: Exploring Visual Augmentation in Medical Imaging. arXiv preprint arXiv:2504.18983. Wu, Z., Wang, X., Ge, S., Yang, J., Tian, Q., & Zhang, Y. (2024). A survey of loss functions for semantic segmentation. Neurocomputing, 600, 247-273. Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 1-48. Perez, L., & Wang, J. (2017). The effectiveness of data augmentation in image classification using deep learning. arXiv preprint arXiv:1712.04621. Mikołajczyk, A., & Grochowski, M. (2018). Data augmentation for improving deep learning in image classification problem. In 2018 international interdisciplinary PhD workshop (IIPhDW) (pp. 117-122). IEEE. Taylor, L., & Nitschke, G. (2018). Improving deep learning using generic data augmentation. arXiv preprint arXiv:1708.06020. Wong, S. C., Gatt, A., Stamatescu, V., & McDonnell, M. D. (2016). Understanding data augmentation for classification: when to warp?. In 2016 international conference on digital image computing: techniques and applications (DICTA) (pp. 1-6). IEEE. Yoo, D., Park, H., Lee, J. Y., Lee, J. G., & Yun, I. D. (2023). Data augmentation techniques applied to medical images. In Healthcare informatics (pp. 113-128). Academic Press. Díaz-Pernil, D., Berciano, A., Peinado, F., & Arnau-Vives, F. (2023). Medical image augmentation and enhancement using machine learning and deep learning. In Artificial intelligence in healthcare (pp. 227-254). Academic Press. Van Dyk, D. A., & Meng, X. L. (2001). The art of data augmentation. Journal of Computational and Graphical Statistics, 10(1), 1-50. Dieleman, S., Willett, K. W., & Dambre, J. (2012). Rotation-invariant convolutional neural networks for galaxy morphology prediction. Monthly notices of the royal astronomical society, 426(1), 851-860.