医学图像分析领域泛化综述
计算机视觉与模式识别
2024-02-14 v2
摘要
医学图像分析（MedIA）已成为计算机辅助诊断系统中的关键工具，尤其是近年来随着深度学习（DL）的进步。然而，训练良好的深度模型在部署到不同的医疗站点、模态和序列时，往往会经历显著的性能下降，这被称为域偏移问题。鉴于此，医学图像分析的领域泛化（DG）旨在通过有效泛化并在未知数据分布上表现稳健来解决域偏移挑战。本文对该领域的实质性进展进行了全面回顾。首先，我们给出了医学领域中域偏移和领域泛化的正式定义，并讨论了几个相关设置。随后，我们从三个视角总结了近期方法：数据操作层面、特征表示层面和模型训练层面，并针对每个视角详细介绍了一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。对于本综述，我们还创建了一个 GitHub 项目来收集支持资源，链接为：https://github.com/Ziwei-Niu/DG_for_MedIA
引用
@article{arxiv.2402.05035,
title = {A Survey on Domain Generalization for Medical Image Analysis},
author = {Ziwei Niu and Shuyi Ouyang and Shiao Xie and Yen-wei Chen and Lanfen Lin},
journal= {arXiv preprint arXiv:2402.05035},
year = {2024}
}
备注
This is a withdrawn submission and will be considered invalid. Due to some errors and overlap with published papers, we have chosen to withdraw it