Over the past few decades, deep learning in medical imaging has played an important role in medical image segmentation which helps accurate diagnosis and efficient treatment planning. Using deep learning in medical image segmentation requires a large amount of data to train the network, however, there is a problem that a large amount of data is not always available. We proposed a data augmentation algorithm using deformable registration to train the network with a limited amount of data for accurate molar tooth segmentation. First of all, using deformable registration, we generated the motion vector field (MVF), which reflects the relationship between two images. Re-scaling the MVF and applying it to the original image, we can generate various data to help the network to train in diverse cases. By applying the MVF method, the score calculated by the dice coefficient increased to 0.9148 from the original method of 0.8876. Thus, we have demonstrated the effectiveness of applying deformable registration and MVF in the data augmentation step to train deep learning segmentation models from a limited amount of data.
지난 수십 년 동안 의료 영상의 딥 러닝은 정확한 진단과 효율적인 치료 계획을 돕는 의료 영상 분할에 중요한 역할을 했다. 의료 영상 분할에서 딥 러닝을 사용하려면 네트워크를 훈련시키기 위해 많은 양의 데이터가 필요하지만 그만큼의 자료를 항상 구할 수 없는 문제점이 있다. 따라서 본 논문에서는 정확한 어금니 분할을 위해 제한된 양의 데이터로 네트워크를 훈련하기 위해 변형 가능한 정합 기반 데이터 증대 알고리즘을 제안했다. 먼저 데이터 증강을 위해 변형 가능한 정합을 사용하여 두 이미지 간의 관계인 Motion vector field(MVF)를 생성한다. 이렇게 얻어진 MVF를 재조정하고 이미지에 적용하면 다양한 경우에 대하여 네트워크를 훈련할 수 있도록 데이터를 보강할 수 있다. 기존의 증강 방법을 사용할 때 dice coefficient는 0.8876인 반면, MVF 방법을 적용하면 dice coefficient가 0.9148로 증가되는 것을 확인함으로써 보다 효과적인 훈련 결과를 얻을 수 있었다.
