【摘要】基于脑损伤图像分割的临床诊断正处于快速发展阶段，利用卷积神经网络 ( C o n v o l u t i o n a l n e u r a l networks,CNNs) 可以自动多次地完成脑损伤图像分割。数据增强可以用于改进 CNNs 的训练，但脑损伤图像分割的数据增强需要考虑到病变区域。我们提出了一种简单的数据增强方法，称为病变镜像，不同于基于“混合”的数据增强方法，如 Mixup 和 CutMix。病变镜像针对病变区域，以 3D 图像中心为原点，对于 X、Y、Z 3 个坐标轴而言，具有同等的 1/2概率选择是否镜像，从而形成新的图像以及对应的注释。生成新的图像可用于改进 CNNs的训练。为了评价所提出的方法，我们在一个脑损伤数据集上进行了实验，结果表明，在大部分情况下，与 Mixup、CutMix 和传统数据增强 (Traditional Data Augmentation,TDA) 相比，该方法提高了分割精度。