TC encoderDepth=3 dim=96 rand=8
Original Tra OMT Original Val Inverse Elastic2P0 Tra OMT Elastic2P0 Val Inverse
Figure 7: TC 原始資料對於 σ =2.0 之彈性拉伸
WT encoderDepth=3 dim=96 rand=8
Original Tra OMT Original Val Inverse Elastic2P0 Tra OMT Elastic2P0 Val Inverse
Figure 8: WT 原始資料對於 σ =2.0 之彈性拉伸
6.4 原始資料對於 σ 為 2.0 之彈性拉伸 6 研究成果展示
0 100 200 300 400 500 600 700 800
Epoch 0.7
0.72 0.74 0.76 0.78 0.8 0.82 0.84
Dice Score
ET encoderDepth=3 dim=96 rand=8
Original Tra OMT Original Val Inverse Elastic2P0 Tra OMT Elastic2P0 Val Inverse
Figure 9: ET 原始資料對於 σ =2.0 之彈性拉伸
以上三張圖片 7、8、9中，探討的是原始 400 筆訓練資料集與加了 400 筆 σ 係數為 2 之彈性拉伸的訓練資料集之訓練成果差異，彈性拉伸對於整 個腫瘤、腫瘤核心的驗證資料集 Dice 分數有明顯提升，而增強腫瘤則有些 微的提升，這組測資的意義主要是為了測試看看不同 σ 對於彈性拉伸的影 響如何。
6.5 σ =1.2 對於 σ =2.0 之彈性拉伸 6 研究成果展示
TC encoderDepth=3 dim=96 rand=8
Elastic1P2 Tra OMT Elastic1P2 Val Inverse Elastic2P0 Tra OMT Elastic2P0 Val Inverse
Figure 10: TCσ =1.2 彈性拉伸對於 σ =2.0 之彈性拉伸
WT encoderDepth=3 dim=96 rand=8
Elastic2P0 Tra OMT Elastic2P0 Val Inverse Elastic1P2 Tra OMT Elastic1P2 Val Inverse
Figure 11: WTσ =1.2 彈性拉伸對於 σ =2.0 之彈性拉伸
6.5 σ =1.2 對於 σ =2.0 之彈性拉伸 6 研究成果展示
0 50 100 150 200 250 300 350
Epoch 0.5
0.55 0.6 0.65 0.7 0.75 0.8 0.85
Dice Score
ET encoderDepth=3 dim=96 rand=8
Elastic1P2 Tra OMT Elastic1P2 Val Inverse Elastic2P0 Tra OMT Elastic2P0 Val Inverse
Figure 12: ETσ =1.2 彈性拉伸對於 σ =2.0 之彈性拉伸
以上三張圖片 10、11、12中，探討兩種不同 σ 參數的彈性拉伸影響力，
可以發現 σ 為 1.2 的資料擴增在本次比較下，相較於 σ 為 2 的資料擴增，
Dice 訓練分數有較佳的表現。
6.6 原始資料對於同時使用水平翻轉與 σ 為 2.0 之彈性拉伸6 研究成果展示
TC encoderDepth=3 dim=96 rand=8
Original Tra OMT Original Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 13: TC 原始資料對於同時使用水平翻轉與 σ =2.0 之彈性拉伸
WT encoderDepth=3 dim=96 rand=8
Original Tra OMT Original Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 14: WT 原始資料對於同時使用水平翻轉與 σ =2.0 之彈性拉伸
6.6 原始資料對於同時使用水平翻轉與 σ 為 2.0 之彈性拉伸6 研究成果展示
0 50 100 150 200 250 300 350 400
Epoch 0.7
0.75 0.8 0.85
Dice Score
ET encoderDepth=3 dim=96 rand=8
Original Tra OMT Original Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 15: ET 原始資料對於同時使用水平翻轉與 σ =2.0 之彈性拉伸
以上三張圖片 13、14、15中，探討的是最原始的 400 筆訓練資料集，若 同時透過水平翻轉與彈性拉伸做資料擴充，將其變為 1200 筆訓練資料，
會有如何的表現，可以發現三者的驗證資料集 Dice 分數皆有上升。
6.7 水平翻轉對於彈性拉伸 6 研究成果展示
TC encoderDepth=3 dim=96 rand=8
flip Tra OMT flip Val Inverse Elastic2P0 Tra OMT Elastic2P0 Val Inverse
Figure 16: TC 水平翻轉對於 σ =2.0 之彈性拉伸
WT encoderDepth=3 dim=96 rand=8
flip Tra OMT flip Val Inverse Elastic2P0 Tra OMT Elastic2P0 Val Inverse
Figure 17: WT 水平翻轉對於 σ =2.0 之彈性拉伸
6.7 水平翻轉對於彈性拉伸 6 研究成果展示
0 100 200 300 400 500 600 700 800
Epoch 0.68
0.7 0.72 0.74 0.76 0.78 0.8 0.82 0.84
Dice Score
ET encoderDepth=3 dim=96 rand=8
flip Tra OMT flip Val Inverse Elastic2P0 Tra OMT Elastic2P0 Val Inverse
Figure 18: TC 水平翻轉對於 σ =2.0 之彈性拉伸
以上三張圖片 16、17、18中，想要探討的是水平翻轉的資料擴增與彈性 拉伸資料擴增，何者對於驗證集 Dice 分數的上升貢獻較大，對整個腫瘤、
擴增腫瘤來說，彈性拉伸給予較好的訓練結果，而對於腫瘤核心來說，並 未有非常大的差異。
6.8 水平翻轉對於同時水平翻轉及彈性拉伸 6 研究成果展示
TC encoderDepth=3 dim=96 rand=8
flip Tra OMT flip Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 19: TC 水平翻轉對於同時水平翻轉及彈性拉伸
WT encoderDepth=3 dim=96 rand=8
flip Tra OMT flip Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 20: WT 水平翻轉對於同時水平翻轉及彈性拉伸
6.8 水平翻轉對於同時水平翻轉及彈性拉伸 6 研究成果展示
0 50 100 150 200 250 300 350 400
Epoch 0.68
0.7 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Dice Score
ET encoderDepth=3 dim=96 rand=8
flip Tra OMT flip Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 21: ET 水平翻轉對於同時水平翻轉及彈性拉伸
以上三張圖片 19、20、21中，想要探討的是水平翻轉與水平翻轉再外加 彈性拉伸的資料擴增，也就是說要將彈性拉伸視為操縱變因，確認一下使 用兩種以上的資料擴增方式是否對驗證集的 Dice 分數有所幫助。在腫瘤核 心的訓練上並未看出太多差異，而整個腫瘤、擴增腫瘤則有 Dice 分數的進 步。
6.9 σ 為 2.0 之彈性拉伸對於同時水平翻轉及彈性拉伸 6 研究成果展示
TC encoderDepth=3 dim=96 rand=8
Elastic2P0 Tra OMT Elastic2P0 Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 22: TCσ =2.0 彈性拉伸對於同時水平翻轉及彈性拉伸
WT encoderDepth=3 dim=96 rand=8
Elastic2P0 Tra OMT Elastic2P0 Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 23: WTσ =2.0 彈性拉伸對於同時水平翻轉及彈性拉伸
6.9 σ 為 2.0 之彈性拉伸對於同時水平翻轉及彈性拉伸 6 研究成果展示
0 50 100 150 200 250 300 350 400
Epoch 0.7
0.75 0.8 0.85
Dice Score
ET encoderDepth=3 dim=96 rand=8
Elastic2P0 Tra OMT Elastic2P0 Val Inverse flip&2P0 Tra OMT flip&2P0 Val Inverse
Figure 24: ETσ =2.0 彈性拉伸對於同時水平翻轉及彈性拉伸
以上三張圖片 22、23、24中，想要探討的是彈性拉伸與水平翻轉再外加 彈性拉伸的資料擴增，也就是說要將水平翻轉視為操縱變因，確認一下使 用兩種以上的資料擴增方式是否對驗證集的 Dice 分數有所幫助。在腫瘤核 心的訓練上並未看出太多差異，而整個腫瘤、擴增腫瘤則有 Dice 分數的進 步。
7 結論
7 結論
根據章節6研究成果展展示得知，資料擴增演算法在已經做了 OMT 的大腦腫瘤測資中，仍然能夠對驗證資料集的 Dice 分數做出貢獻，例如：
6.2水平翻轉、6.3、6.4彈性拉伸，都可以明顯看到驗證資料集的 Dice 分數 有所上升，顯示耗費計算效能放入更多測資，在 OMT 的方法下依然有所 貢獻，若是為了爭取驗證集擁有更高的 Dice 分數，可以嘗試資料擴增演算 法。
不同的標記區域所適用的資料擴增演算法也不盡相同，好比擴增腫 瘤 (ET) 在水平翻轉的資料擴增中，驗證資料集的 Dice 分數並沒有太大的 改善，但這個算法可以協助整個腫瘤 (WT)、腫瘤核心 (TC) 的訓練成果 上升。
此外，使用多個資料擴增演算法來增加 Dice 分數的方式似乎是可行 的，根據同時使用水平翻轉以及彈性拉伸 6.6的 1200 筆測資結果看來，三 個標記區域的驗證集 Dice 分數皆有上升，此外，透過將水平翻轉或彈性 拉伸作為操縱變因6.8、6.9下，都可以發現不論是水平翻轉或是彈性拉伸，
皆對這 1200 筆測資所訓練的模型有所貢獻，未來也可多方嘗試不同的資 料擴增演算法組合，嘗試是否能夠訓練出一個適應度更高、預測精確度更 好的醫學影像分割模型。
參 考 文 獻 參 考 文 獻
參 考 文 獻
[1] Wang, G., et al, Automatic brain tumor segmentation using cascaded anisotropic convolutional neural networks. Brainlesion: Glioma, Multi-ple Sclerosis, Stroke and Traumatic Brain Injuries, 178− 190(2018) [2] Parihar, A. S. A study on brain tumor segmentation using convolution
neural network. 2017 International Conference on Inventive Computing and Informatics (ICICI) (2017).
[3] I. R. Haque, J. Neubert. Deep learning approaches to biomedical image segmentation.https://doi.org/10.1016/j.imu.2020.100297/(2020) [4] J.Kleesiek , G. Urban et al, Deep MRI brain extraction: A 3D
convo-lutional neural network for skull stripping, NeuroImage, Volume 129, April 2016, 460− 469(2016).
[5] Paul,T. Brain Magnetic Resonance Imaging (MRI) as a Potential Biomarker for Parkinson’s Disease (PD) (2017).
[6] Louis, D.N,et al. The 2016 world health organization classi
cation of tumors of the central nervous system: a summary. Acta Neu-ropathologica 131(6), 803− 820(2016)
[7] Menze, B.H,et al. The multimodal brain tumor image segmentation benchmark (BRATS). IEEE Transactions on Medical Imaging 34(10), 1993− 2024(2015)
[8] Bakas, S., et al. Advancing the cancer genome atlas glioma MRI col-lections with expert segmentation labels and radiomic features. Nature Scientic Data p. 170117(2017)
參 考 文 獻 參 考 文 獻
[9] G.Wang,et al. Automatic Brain Tumor Segmentation using Convolu-tional Neural Networks with Test-Time Augmentation. https://arxiv.
org/pdf/1810.07884.pdf (2018)
[10] G.Wang,et al. Automatic brain tumor segmentation using cascaded anisotropic convolutional neural networks.Brainlesion: Glioma, Mul-tiple Sclerosis, Stroke and Traumatic Brain Injuries 178− 190(2018) [11] Andriy, M. 3D MRI brain tumor segmentation using autoencoder
regu-larization. https://arxiv.org/pdf/1810.11654.pdf(2018)
[12] Havaei, M.,et al. Brain tumor segmentation with deep neural networks.
Medical Image Analysis 35, 18− 31(2016)
[13] Kamnitsas, K.,et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation. Medical Image Analysis 36, 61− 78(2017)
[14] Long, J.,et al. Fully convolutional networks for semantic segmentation.
IEEE Conference on Computer Vision and Pattern Recognition 3431− 3440 (2015)
[15] Ronneberger, O.,et al. U-Net: Convolutional networks for biomedical image segmentation. International Conference on Medical Image Com-puting and Computer-Assisted Intervention 234− 241(2015)
[16] Bonnotte, N. From Knothe’s rearrangement to Brenier’s optimal trans-port map. SIAM J. Math. Anal 45(1), 64–87(2013)https://doi.org/
10.1137/120874850
[17] Kantorovich, L. V. On a problem of monge. Uspekhi Mat. Nauk 3, 225− 226(1948).
參 考 文 獻 參 考 文 獻
[18] Garg, V.,et al. Advances in Neural Information Processing Systems 32, 8014− 8025 Curran Associates, Inc (2019). https://arxiv.org/abs/
1905.12158
[19] Su, Z.,et al. Optimal mass transport for shape matching and compari-son. IEEE Trans. Pattern Anal. Mach. Intell. 37(11), 2246–2259(2015).
https://doi.org/10.1109/TPAMI.2015.2408346
[20] Lei, N.,et al. A geometric view of optimal transportation and generative model. Comput. Aided Geom. Des. 68,1–21(2019). https://doi.org/
10.1016/j.cagd.2018.10.005
[21] Marcinkiewicz M.,et al.Segmenting brain tumors from MRI using cas-caded multi-modal U-Nets . Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries - 4th International Workshop. Revised Se-lected Papers, Part II, vol. 11384 of Lecture Notes in Computer Science ,13–24(2018).
[22] Jakub, N.,et al. Data Augmentation for Brain-Tumor Segmentation: A Review. https://doi.org/10.3389/fncom.2019.00083
[23] Marco,M. C.,et al. What is the best data augmentation for 3D brain tumor segmentation? https://arxiv.org/pdf/2010.13372.pdf [24] Patrice Y. S.,et al. Best Practices for Convolutional Neural Networks
Applied to Visual Document Analysis. (2003)
[25] Su, K.,et al. Volume preserving mesh parameterization based on optimal mass transportation. Comput. Aided Des. 82, 42–56(2017). https://
doi.org/10.1016/j.cad.2016.05.020
參 考 文 獻 參 考 文 獻
[26] Gu, X.,et al. Variational principles for Minkowski type problems, dis-crete optimal transport, and disdis-crete Monge–Ampère equations. Asian J. Math. 20(2), 383–398(2016). https://doi.org/10.4310/AJM.2016.
v20.n2.a7
[27] Brenier, Y. Polar factorization and monotone rearrangement of vector-valued functions. Commun. Pure Appl. Math. 44(4), 375–417(1991).
https://doi.org/10.1002/cpa.3160440402
[28] Yueh, M.H., Li, T., Lin, W.W., Yau, S.T. A novel algorithm for volume-preserving parameterizations of 3-manifolds. SIAM J. Imag. Sci.
102(2), 1071–1098(2019). https://doi.org/10.1137/18M1201184 [29] W.W.Lin, C.Juang, M.H.Yueh, T.M.Huang, T.Li, S.Wang &
S.T.Yau. 3D brain tumor segmentation using a two-stage opti-mal mass transport algorithm. https://www.nature.com/articles/
s41598-021-94071-1
[30] Create 3-D U-Net layers for semantic segmentation of volumetric images:
MATLAB unet3dLayers. https://www.mathworks.com/help/vision/
ref/unet3dlayers.html.