CDDSA：面向可泛化医学图像分割的对比域解耦与风格增强
计算机视觉与模式识别
2022-11-23 v1
摘要
对具有潜在域偏移和不同风格的未见图像进行泛化，是临床适用的医学图像分割的关键，而解耦域特定与域不变特征的能力是实现域泛化（DG）的核心。然而，现有 DG 方法难以实现有效解耦以获得高泛化性。为解决该问题，我们提出一种高效的对比域解耦与风格增强（CDDSA）框架，用于可泛化医学图像分割。首先，提出一个解耦网络将图像分解为域不变的解剖表示和域特定的风格编码，前者送入不受域偏移影响的分割模型，解耦网络由结合解剖与风格编码重建输入图像的解码器正则化。其次，为实现更好的解耦，提出一种对比损失，分别促使同域与不同域的风格编码紧凑与发散。第三，为进一步提升泛化性，我们提出一种基于解耦表示的风格增强方法，以共享解剖结构合成多种未见风格的图像。我们的方法在公开多中心眼底图像数据集（用于视杯与视盘分割）和院内多中心鼻咽癌磁共振图像（NPC-MRI）数据集（用于鼻咽大体肿瘤体积（GTVnx）分割）上进行了验证。实验结果表明，所提 CDDSA 在不同域间实现了显著的泛化性，并在域泛化分割上优于多种最先进方法。
引用
@article{arxiv.2211.12081,
title = {CDDSA: Contrastive Domain Disentanglement and Style Augmentation for Generalizable Medical Image Segmentation},
author = {Ran Gu and Guotai Wang and Jiangshan Lu and Jingyang Zhang and Wenhui Lei and Yinan Chen and Wenjun Liao and Shichuan Zhang and Kang Li and Dimitris N. Metaxas and Shaoting Zhang},
journal= {arXiv preprint arXiv:2211.12081},
year = {2022}
}
备注
14 pages, 8 figures