医学图像分割中单域泛化的对抗一致性方法
计算机视觉与模式识别
2022-07-01 v2
摘要
一种能够泛化到未见对比度和扫描仪设置的器官分割方法，可以显著减少深度学习模型的重训练需求。域泛化（Domain Generalization, DG）旨在实现这一目标。然而，大多数用于分割的 DG 方法在训练时需要来自多个域的训练数据。我们提出了一种新颖的对抗域泛化方法，用于在来自单个域的数据上训练的器官分割。我们通过学习一个对抗域合成器（ADS）来合成新域，并假定合成域覆盖了足够大的合理分布区域，从而未见域可由合成域插值得到。我们提出一种互信息正则化器，以强制合成域图像之间的语义一致性，该一致性可通过块级对比学习进行估计。我们在多种器官分割任务上评估了我们的方法，针对未见模态、扫描协议和扫描仪站点进行了测试。
引用
@article{arxiv.2206.13737,
title = {Adversarial Consistency for Single Domain Generalization in Medical Image Segmentation},
author = {Yanwu Xu and Shaoan Xie and Maxwell Reynolds and Matthew Ragoza and Mingming Gong and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:2206.13737},
year = {2022}
}
备注
MICCAI2022 accpted