Обзор методов аугментации данных медицинских изображений для приложений глубокого обучения

В последнее время исследования в области искусственного интеллекта для радиологии и лучевой терапии всё чаще опираются на алгоритмы глубокого обучения. Хотя созданные с их помощью модели могут значительно превосходить по эффективности более традиционные методы машинного обучения, для их обучения требуются более крупные наборы данных. Для решения этой проблемы аугментация данных стала широко применяемым способом увеличения объёма обучающей выборки, особенно в областях, где большие наборы данных обычно недоступны, что нередко бывает при работе с медицинскими изображениями. Аугментация данных направлена на создание дополнительных данных для обучения модели и, как было показано, позволяет повысить её эффективность при проверке на отдельном независимом наборе данных. Этот подход получил широкое распространение. Поэтому для систематизации методов аугментации данных, используемых в передовых моделях глубокого обучения, мы провели систематический обзор литературы, в котором изучались публикации по применению аугментации медицинских изображений (только КТ и МРТ) для обучения моделей глубокого обучения. Статьи были распределены по категориям: базовые, деформируемые, основанные на глубоком обучении и другие методы аугментации данных. По мере внедрения в клиническую практику моделей искусственного интеллекта, обученных на аугментированных данных, этот обзор призван дать представление о применяемых методах и помочь оценить обоснованность получаемых моделей.