Light In The Black: An Evaluation of Data Augmentation Techniques for COVID-19 CT's Semantic Segmentation

Abstract

With the COVID-19 global pandemic, computer-assisted diagnoses of medical images have gained much attention, and robust methods of Semantic Segmentation of Computed Tomography (CT) became highly desirable. Semantic Segmentation of CT is one of many research fields of automatic detection of COVID-19 and has been widely explored since the COVID-19 outbreak. In this work, we propose an extensive analysis of how different data augmentation techniques improve the training of encoder-decoder neural networks on this problem. Twenty different data augmentation techniques were evaluated on five different datasets. Each dataset was validated through a five-fold crossvalidation strategy, thus resulting in over 3,000 experiments. Our findings show that spatial level transformations are the most promising to improve the learning of neural networks on this problem.Resumo. Com a COVID-19, diagnósticos de imagens médicas assistidos por computador ganharam muita atenc ¸ão, e métodos robustos de Segmentac ¸ão Semântica de Tomografia Computadorizada (TC) tornaram-se altamente desejáveis. A Segmentac ¸ão Semântica de TC é um dos muitos campos de pesquisa de detecc ¸ão automática da COVID-19 e foi amplamente explorado desde o surto da COVID-19. Neste trabalho, propomos uma análise extensiva sobre o quanto diferentes técnicas de aumento de dados contribuem para melhorar o treinamento de redes neurais codificador-decodificador sobre este problema. Vinte técnicas diferentes de aumento de dados foram avaliadas em cinco conjuntos de dados diferentes. Cada conjunto de dados foi validado através de uma estratégia de validac ¸ão cruzada de cinco subconjuntos, resultando assim em mais de 3.000 experimentos. Nossas descobertas mostram que as transformac ¸ões de nível espacial são as mais promissoras para melhorar o aprendizado das redes neurais sobre este problema.