Abstract
在医学图像分析中,由于不同的数据获取策略之间存在差异,以一个或多个域为训练对象的分割模型缺乏对不可见域的泛化能力。
作者认为分割性能的退化主要归因于对源域的过拟合和域漂移。
为此,作者提出了一种新的可泛化的医学图像分割方法。
具体地说,作者通过将分割模型与自监督领域特定图像恢复(DSIR)模块相结合来实现模型正则化,将该方法设计为多任务范式。
作者还设计了一个(random amplitude mixup)(RAM)模块,它融合了不同域图像的低频信息来合成新的图像。
为了使模型能够抵抗域漂移, 引入了语义一致性损失。
Conclusion
这篇文章提出了一种新的通用医学图像分割方法,用于眼底和前列腺图像分割。
为了克服DG segmentation 中的过拟合问题,引入 random amplitude mixup(RAM)模块来合成不同域风格的图像。
作者利用合成图像作为数据扩充来训练分割模型,并提出一种自监督领域特定图像恢复(DSIR)模块来从合成图像中恢复原始图像。
此外,为了进一步提高模型对域漂移的抵抗能力和学习更多的域不变特征表示,在训练过程中引入了语义一致性损失。
实验结果和消融分析表明,所有提出的组件都有助于正则化模型和提高在不可见目标域上的泛化性能。