AADG：用于视网膜图像分割域泛化的自动增强
图像与视频处理
2022-07-28 v1 计算机视觉与模式识别
摘要
卷积神经网络已广泛应用于医学图像分割并取得了可观的性能。然而，训练数据（源域）与测试数据（目标域）之间的域差距可能显著影响性能。为解决此问题，我们提出了一种基于数据操作的域泛化方法，称为自动域泛化增强（AADG）。我们的AADG框架能有效从适当的搜索空间中采样数据增强策略，生成新域并丰富训练集的多样性。具体而言，我们引入了一种新颖的代理任务，在单位球面空间中以Sinkhorn距离度量多个增强新域之间的最大多样性，使自动增强可行。采用对抗训练和深度强化学习来高效搜索目标。在11个公开眼底图像数据集（4个用于视网膜血管分割，4个用于视盘和视杯（OD/OC）分割，3个用于视网膜病灶分割）上全面进行了定量和定性实验。进一步引入2个OCTA数据集用于视网膜血管分割以验证跨模态泛化。我们提出的AADG展现出最先进的泛化性能，并在视网膜血管、OD/OC和病灶分割任务上以显著优势超越现有方法。所学策略经经验验证为模型无关，并能很好地迁移到其他模型。源代码可在 https://github.com/CRazorback/AADG 获取。
引用
@article{arxiv.2207.13249,
title = {AADG: Automatic Augmentation for Domain Generalization on Retinal Image Segmentation},
author = {Junyan Lyu and Yiqi Zhang and Yijin Huang and Li Lin and Pujin Cheng and Xiaoying Tang},
journal= {arXiv preprint arXiv:2207.13249},
year = {2022}
}
备注
Accepted by IEEE Transactions on Medical Imaging (TMI)