Medical image analysis using a deep learning has been actively researched. The deep learning uses multiple layers from learning data to extract feature maps. Therefore, learning data is an important element of the deep learning. The learning data must have sufficient amount, good quality and wide variety. However, in medical images, it is difficult to secure sufficient amount of data because of patient recruitment, annotation of lesion by experts, and invasion of patient's privacy. To overcome these problems, classic data augmentation methods such as rotation, flip, jittering in brightness and contrast have been used. However, classical augmentation methods have limitations in ensuring data diversity. In order to ensure the diversity of data, there are several generative network-based methods which can generate new data, especially brain tumor MR images. However generative network-based methods are unstable in network training and generated data are generally blurry. It can generate new brain tumor MR images, but they may not be available for supervised learning due to the absence of tumor masks in augmentation of brain tumor images. And in case of augmentation with tumor masks together, there is a limitation of the variety of data since the new tumor masks are generated using simple affinement from the learning data's tumor masks. We propose a method to generate diverse brain tumor MR images that can be used for tumor segmentation. Through simplification of tumor's complex characteristics into a concentric circle, various tumor masks can be generated by controlling the concentric circles which are intuitive and user-friendly objects. By synthesizing the tumor images with the normal brain images, our method generates realistic brain tumor images than the classical augmentation methods and other generation network-based augmentation methods. A comparison study in data augmentation demonstrated that the quality of the images generated from the proposed model outperforms that from the state-of-the-art methods.
심층 신경망을 이용한 의료 영상 분석이 활발히 연구되고 있다. 딥 러닝은 네트워크의 여러 층을 이용하여 학습 데이터의 특성 지도를 추출한다. 따라서 학습 데이터는 딥 러닝의 중요한 요소이다. 학습 데이터는 충분한 양, 좋은 품질 및 다양한 다양성을 가져야한다. 그러나 의료 영상에서는 환자 모집, 전문가의 병변 주석 및 환자의 개인 정보 침해로 인한 문제 때문에 충분한 양의 데이터를 확보하기가 어렵다. 이러한 문제를 극복하기 위해 기존에는 회전, 반전, 밝기 및 대비의 변화를 통해 데이터 증강 기법이 사용되어 왔다. 하지만 이러한 기법들은 학습 데이터의 단순한 변형이기 때문에 학습 데이터의 다양성을 보장하는 데 한계가 있다. 데이터의 다양성을 확보하기 위한 새로운 데이터, 특히 뇌 종양 자기 공명 영상을 생성하는 생성 네트워크 기반의 데이터 증강 기법들이 존재한다. 하지만 생성 네트워크 기반의 기법들은 네트워크 학습이 불안정하고, 출력물들의 질이 일반적으로 좋지 않다. 또한 이들은 새로운 뇌 종양 자기 공명 영상을 생성할 수는 있지만, 생성된 뇌 종양 이미지에는 종양 지도의 부재 문제가 있어 지도 학습에 사용하기 불가능한 경우가 있으며, 종양 지도와 함께 생성되는 경우에는 기존 종양 지도의 단순한 변형을 통해 새로운 데이터를 생성함으로써, 생성된 데이터에는 다양성의 한계가 존재한다. 우리는 종양 세분화를 위한 지도 학습에 사용할 수 있는 다양한 뇌 종양 자기 공명 영상을 생성하는 기법을 제안한다. 종양의 복잡한 특성을 직관적이고 사용자 친화적인 동심원으로 단순화하였고, 동심원을 제어함으로써 다양한 종양 마스크를 생성 할 수 있게 하였다. 또한 종양 이미지를 정상 뇌 이미지와 합성함으로써, 본 발명의 방법은 고전적인 증강 방법 및 다른 네트워크 기반 증강 기법보다 현실적인 뇌 종양 자기공명 영상을 생성한다. 더 나아가 데이터 증강에 대한 비교 연구를 통해 제안 된 방법에서 생성 된 이미지들의 품질이 다른 최신 기술보다 우수하다는 것을 보여주었다.
