[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,66 +1,152 @@
|
||||
---
|
||||
id: wiki-2026-0508-medical-imaging-data-augmentatio
|
||||
id: wiki-2026-0508-medical-imaging-data-augmentation
|
||||
title: Medical Imaging Data Augmentation
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-MIDA-001]
|
||||
aliases: [Medical Augmentation, MONAI Augmentation, 의료영상 증강]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [auto-reinforced, medical-imaging, data-augmentation, Deep-Learning, diagnosis, radiology, Synthetic-Data]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [medical-imaging, data-augmentation, monai, deep-learning, segmentation]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack: { language: python, framework: monai-pytorch }
|
||||
---
|
||||
|
||||
# [[Medical-Imaging-Data-Augmentation|Medical-Imaging-Data-Augmentation]]
|
||||
# Medical Imaging Data Augmentation
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "의료 지능의 데이터 보완: 환자 데이터가 극도로 부족하고 정교함이 요구되는 의료 분야에서, 기존 영상을 회전시키거나 필터를 입히거나 아예 AI가 '가짜 질환 영상'을 생성해냄으로써 의사보다 정확한 진단 모델을 만드는 생명 연장의 엔진."
|
||||
## 매 한 줄
|
||||
> **"매 환자 데이터는 매 적고, 매 anatomy 는 망가뜨릴 수 없다"**. 의료영상 augmentation 은 일반 이미지 대비 (1) 데이터가 매우 적고 (2) 라벨이 픽셀 단위 정확해야 하며 (3) 비현실적 변형이 진단을 망친다는 제약 안에서 기하·강도·합성 변환을 신중히 적용해야 한다.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
의료 영상 데이터 증강(Medical-Imaging-Data-Augmentation)은 의료 진단 AI 모델의 성능과 일반화 능력을 높이기 위해 제한된 의료 데이터를 인위적으로 늘리는 기법입니다.
|
||||
## 매 핵심
|
||||
### 매 도메인 특성
|
||||
- 3D volume (CT/MRI), DICOM/NIfTI 포맷, voxel spacing 다양.
|
||||
- 라벨이 segmentation mask / bbox / 환자 단위 진단 — affine 변환 시 동기화.
|
||||
- HU scale (CT), bias field (MRI) 등 강도 분포가 modality 마다 다름.
|
||||
|
||||
1. **주요 기법**:
|
||||
* **Geometric Transformation**: 회전, 대칭, 크기 조절 (해부학적 구조 보존 범위 내).
|
||||
* **Intensity/Color Mapping**: 밝기, 대조 조절 (X-ray, MRI 등 장비 편차 반영).
|
||||
* **Advanced Generative Models**: GAN이나 Diffusion을 활용해 전이된 질환 부위가 포함된 합성 의료 영상 생성. (Synthetic-Data와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 희귀 질환 데이터는 전 세계적으로도 구하기 힘들며, 증강된 데이터는 모델이 한정된 데이터에 과적합([[Overfitting|Overfitting]])되는 것을 방지하기 때문임. ([[Bias-Variance-Tradeoff|Bias-Variance-Tradeoff]]와 연결)
|
||||
### 매 변환 카테고리
|
||||
1. **Spatial / 기하**: flip, rotate (소각), translate, scale, elastic deformation, B-spline.
|
||||
2. **Intensity**: brightness/contrast, gamma, Gaussian noise, Rician noise (MRI), bias field, MR motion artifact.
|
||||
3. **Spacing / Resolution**: random resample, low-res sim.
|
||||
4. **Topology-preserving**: mixup/cutmix 의 의료 variant — 단, lesion mask 가 깨지지 않도록 patch-aware.
|
||||
5. **Synthesis**: GAN/diffusion 으로 lesion 합성, healthy↔lesion translation.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 "가짜 데이터를 쓰면 오진의 위험 정책이 커진다"고 우려했으나, 현대 정책은 물리 법칙을 반영한 고품질 합성 데이터 정책이 실제 데이터만 썼을 때보다 모델의 강건성([[Robustness|Robustness]]) 정책을 획기적으로 높인다는 것을 입증함(RL Update).
|
||||
- **정책 변화(RL Update)**: 이제는 단순 이미지 변환 정책을 넘어, 환자의 임상 정보 정책(Text)과 영상 정책을 결합하여 가상의 환자나 질환 진행 경과 정책을 예측 생성하는 '멀티모달 시뮬레이션 정책'으로 진화 중임. ([[Scientific-Method|Scientific-Method]]와 연결)
|
||||
### 매 라이브러리
|
||||
1. **MONAI**: PyTorch 기반 의료영상 표준, `Compose`, dictionary transform.
|
||||
2. **TorchIO**: 3D 친화, MRI artifact 풍부.
|
||||
3. **Albumentations**: 2D slice/엑스레이.
|
||||
4. **NVIDIA DALI**: GPU augmentation 파이프라인.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Synthetic-Data|Synthetic-Data]], [[Scientific-Method|Scientific-Method]], [[Bias-Variance-Tradeoff|Bias-Variance-Tradeoff]], Deep Learning (DL), Generalization, [[Research|Research]]
|
||||
- **Key Apps**: Cancer detection, Radiology automation, Pathology [[Analysis|Analysis]].
|
||||
---
|
||||
## 💻 패턴
|
||||
### 1. MONAI dict transform pipeline
|
||||
```python
|
||||
from monai.transforms import (Compose, LoadImaged, EnsureChannelFirstd,
|
||||
Spacingd, Orientationd, ScaleIntensityRanged, RandCropByPosNegLabeld,
|
||||
RandAffined, RandGaussianNoised, RandBiasFieldd, ToTensord)
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
train_t = Compose([
|
||||
LoadImaged(keys=["img","seg"]),
|
||||
EnsureChannelFirstd(keys=["img","seg"]),
|
||||
Orientationd(keys=["img","seg"], axcodes="RAS"),
|
||||
Spacingd(keys=["img","seg"], pixdim=(1,1,1), mode=("bilinear","nearest")),
|
||||
ScaleIntensityRanged(keys="img", a_min=-200, a_max=300, b_min=0, b_max=1, clip=True),
|
||||
RandCropByPosNegLabeld(keys=["img","seg"], label_key="seg",
|
||||
spatial_size=(96,96,96), pos=1, neg=1, num_samples=4),
|
||||
RandAffined(keys=["img","seg"], rotate_range=0.1, scale_range=0.1,
|
||||
mode=("bilinear","nearest"), prob=0.5),
|
||||
RandGaussianNoised(keys="img", std=0.01, prob=0.2),
|
||||
RandBiasFieldd(keys="img", coeff_range=(0.0,0.1), prob=0.2),
|
||||
ToTensord(keys=["img","seg"]),
|
||||
])
|
||||
```
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 2. Elastic deformation
|
||||
```python
|
||||
from monai.transforms import Rand3DElasticd
|
||||
Rand3DElasticd(keys=["img","seg"], sigma_range=(5,7), magnitude_range=(50,150),
|
||||
mode=("bilinear","nearest"), prob=0.3)
|
||||
```
|
||||
Anatomy 자연스러운 변형 — sigma 너무 작으면 비현실, 크면 underfit.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### 3. TorchIO MRI artifact
|
||||
```python
|
||||
import torchio as tio
|
||||
tx = tio.Compose([
|
||||
tio.RandomMotion(degrees=5, translation=5, p=0.2),
|
||||
tio.RandomGhosting(num_ghosts=(2,5), p=0.2),
|
||||
tio.RandomBiasField(coefficients=0.3, p=0.3),
|
||||
tio.RandomNoise(std=(0,0.05), p=0.3),
|
||||
])
|
||||
```
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### 4. CT HU window robust
|
||||
```python
|
||||
def hu_window(vol, center, width):
|
||||
lo, hi = center - width/2, center + width/2
|
||||
return np.clip((vol - lo) / (hi - lo), 0, 1)
|
||||
# 학습 중 center/width 를 약하게 jitter
|
||||
```
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
### 5. Lesion-aware MixUp (segmentation)
|
||||
```python
|
||||
def lesion_mixup(x1, y1, x2, y2, alpha=0.2):
|
||||
lam = np.random.beta(alpha, alpha)
|
||||
x = lam*x1 + (1-lam)*x2
|
||||
y = (y1 + y2).clip(0,1) # union mask
|
||||
return x, y
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### 6. Diffusion synthetic lesion
|
||||
```python
|
||||
# Stable Diffusion fine-tuned on chest X-ray with lesion mask conditioning
|
||||
img = pipe(prompt="pneumonia consolidation right lower lobe", mask=mask).images[0]
|
||||
# 합성 데이터는 별도 split, 평가는 real only
|
||||
```
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
### 7. Test-Time Augmentation (TTA)
|
||||
```python
|
||||
preds = []
|
||||
for tta in [identity, flip_x, flip_y, rot90]:
|
||||
preds.append(undo(model(tta(x))))
|
||||
final = torch.stack(preds).mean(0)
|
||||
```
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
## 매 결정 기준
|
||||
| 상황 | Augmentation |
|
||||
|---|---|
|
||||
| 작은 segmentation 데이터 | strong elastic + intensity + cropbypos/neg |
|
||||
| 분류 (X-ray) | mild affine + cutout, lesion 보호 |
|
||||
| MRI multi-site | bias field + intensity histogram match |
|
||||
| CT multi-protocol | HU window jitter + spacing resample |
|
||||
| 매우 적은 라벨 | + synthetic (GAN/diffusion) + self-supervised pretrain |
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
**기본값**: MONAI `Compose` + spacing/orient 정규화 → mild affine + intensity + (3D 면) crop-by-label.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Data-Augmentation]], [[Medical-Imaging-AI]]
|
||||
- 변형: [[MONAI]], [[TorchIO]], [[Albumentations]]
|
||||
- 응용: [[Tumor-Segmentation]], [[Chest-Xray-Classification]], [[3D-UNet]]
|
||||
- Adjacent: [[DICOM]], [[NIfTI]], [[Self-Supervised-Pretraining]], [[Diffusion-Model]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: pipeline boilerplate, modality 별 적절 변환 추천, 코드 review.
|
||||
**언제 X**: 임상적 plausibility 판단 (radiologist 검증 필요).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- 90° rotate / 큰 scale → CT 좌표계/anatomy 깨짐.
|
||||
- segmentation mask 에 bilinear interpolation — 라벨 손상.
|
||||
- intensity normalize 를 augmentation 후 적용 → 분포 불일치.
|
||||
- synthetic 데이터를 real 평가셋과 섞기 — leakage.
|
||||
- 모든 patient slice 를 독립 sample 로 — patient-level leakage, split 단위는 patient.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified. 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup |
|
||||
|
||||
Reference in New Issue
Block a user