++nnU-Net: 접두사 기반 데이터 증강을 통한 nnU-Net 확장

++nnU-Net: Scaling nnU-Net with Prefix-Based Data Augmentation

nnU-Net은 의료 영상 분할 작업에서 지속적으로 뛰어난 성능을 보여주었으며, 이는 주석이 달린 생체 의학 데이터의 가용성과 다양성에 크게 의존합니다. 그러나 개인 정보 보호 규정 및 주석 비용과 같은 여러 요인으로 인해 의료 이미지 코호트 구축에는 어려움이 있습니다. 따라서 데이터 증강은 해부학적 타당성을 유지하면서 데이터 가용성을 높이는 데 중요한 역할을 합니다. 이에 우리는 전처리 및 학습 전에 작동하는, 이미지 정렬 기반의 새로운 데이터 증강 모듈인 ++nnU-Net을 제안합니다. 우리 프레임워크는 다섯 가지 서로 다른 2D 데이터 세트에 대해 평가되었습니다. 이 워크플로우에서 이미지 데이터는 두 단계의 정렬 과정을 거쳐 새로운 왜곡 이미지를 생성합니다. 그런 다음 이러한 변환은 해당 분할에 적용됩니다. 또한, 파이프라인은 사용 가능한 디스크 공간을 계산하고, 추가적인 이진 합성 마스크를 생성하며, 체크포인트를 생성합니다. 저희는 ++nnU-Net이 nnU-Net 기준 모델보다 우수한 성능을 보이며 Dice 유사 계수 점수가 향상됨을 보여주었습니다. 가장 두드러진 경우, 약 22%의 성능 향상을 관찰했습니다. 이러한 결과는 정렬 기반 데이터 증강의 효과를 강조하며, 특히 2D 의료 영상 데이터 세트에 대한 효과적임을 시사합니다. 또한 ++nnU-Net은 데이터가 부족한 환경에서 분할 성능을 향상시키는 실용적이고 확장 가능한 접근 방식을 제공합니다. ++nnU-Net에 대한 소스 코드는 다음 주소에서 확인할 수 있습니다: https://github.com/sofia-adelie/plusplusnnunet.git

The nnU-Net has demonstrated continuous success in medical segmentation tasks, which heavily rely on the availability and diversity of annotated biomedical data. However, assembling medical imaging cohorts remains challenging due to numerous factors such as privacy regulations and annotation costs. As a result, data augmentation plays a crucial role in increasing data availability while maintaining anatomical feasibility. Hence, we propose the ++nnU-Net, a novel data augmentation module based on image registration that operates prior to preprocessing and training take place. Our framework was evaluated across five different 2D datasets. In this workflow, image data go through a two-stage registration process, generating new warped images. The transformations are then applied to the respective segmentation. In addition, the pipeline computes available disk space, generates supplementary binary synthetic masks and generates checkpoints. We demonstrate that the ++nnU-Net outperforms the nnU-Net baseline, yielding improvements in Dice Similarity Coefficient scores. In the most prominent cases, we observe performance gains of approximately 22\%. These findings highlight the effectiveness of registration-based data augmentation, particularly for 2D medical imaging datasets and suggest that the ++nnU-Net provides a practical and scalable approach for enhancing segmentation performance in data-limited settings. The source code for the ++nnU-Net is available at: https://github.com/sofia-adelie/plusplusnnunet.git