用于医学图像分割的因果启发式单源域泛化
摘要
深度学习模型通常面临域偏移问题，即在单一源域上训练的模型不能很好地泛化到其他未见域。在这项工作中，我们研究了单源域泛化问题：在训练数据仅来自单一源域的条件下，训练一个对未见域具有鲁棒性的深度网络，这在医学成像应用中很常见。我们在跨域医学图像分割的背景下解决这一问题。在该场景下，域偏移主要由不同的采集过程引起。我们提出了一种简单的因果启发式数据增强方法，使分割模型暴露于合成的域偏移训练样本中。具体而言：1) 为了使深度模型对图像强度和纹理的差异具有鲁棒性，我们采用了一系列随机加权的浅层网络。它们使用多样化的外观变换来增强训练图像。2) 进一步地，我们表明图像中物体间的虚假相关性对域鲁棒性是有害的。这些相关性可能被网络作为进行预测的特定域线索，并且它们在未见域上可能会失效。我们通过因果干预消除了这些虚假相关性。这是通过独立重采样潜在相关物体的外观来实现的。所提出的方法在三个跨域分割任务上得到了验证：跨模态 (CT-MRI) 腹部图像分割、跨序列 (bSSFP-LGE) 心脏 MRI 分割，以及跨中心前列腺 MRI 分割。与具有竞争力的方法相比，所提出的方法在未见域上测试时产生了一致的性能提升。
引用
@article{arxiv.2111.12525,
title = {Causality-inspired Single-source Domain Generalization for Medical Image Segmentation},
author = {Cheng Ouyang and Chen Chen and Surui Li and Zeju Li and Chen Qin and Wenjia Bai and Daniel Rueckert},
journal= {arXiv preprint arXiv:2111.12525},
year = {2023}
}
备注
This is an early, non-peer-reviewed version. For the final peer-reviewed full version that has been substantially revised, please find: https://ieeexplore.ieee.org/document/9961940. Please find the code at https://github.com/cheng-01037/Causality-Medical-Image-Domain-Generalization