用于医学图像领域泛化的复杂风格图像变换

医学计算机视觉中缺乏结构良好的大型数据集，导致自动化系统，尤其是深度学习模型的性能下降。领域泛化技术旨在从单一数据源处理未知领域。在本文中，我们介绍了一个名为CompStyle的新框架，该框架利用风格迁移和对抗训练，以及高级输入复杂度增强，来有效扩展领域空间并处理未知分布。最先进的风格迁移方法依赖于源数据集中子领域的存在。然而，这可能导致图像创建中固有的数据集偏差。输入级增强可以通过拓宽源数据集中的领域空间来解决这个问题，并提升在域外分布上的性能。我们提供了关于前列腺数据语义分割和心脏数据腐败鲁棒性的实验结果，证明了我们方法的有效性。我们的方法在两个任务上都提高了性能，且没有增加训练时间或资源的成本。