用于可泛化医学图像分割的对比域解耦

高效利用判别性特征对卷积神经网络在医学图像分割中取得卓越性能至关重要，且对跨多域的模型泛化也很重要，其中让模型识别多站点数据集中的域特定与域不变信息是一种合理的域泛化策略。遗憾的是，近期大多数解耦网络由于所提供数据分布的限制，无法直接适应未见域数据集。为应对此不足，我们提出对比域解耦（CDD）网络用于可泛化医学图像分割。我们首先引入一个解耦网络将医学图像分解为解剖表示因子与模态表示因子。随后，提出一种风格对比损失，以促使同一域的模态表示尽可能紧密分布，而不同域彼此疏远。最后，我们提出一种域增强策略，可随机生成新域用于模型泛化训练。在用于视杯与视盘分割的多站点眼底图像数据集上的实验结果表明，CDD 具有良好的模型泛化能力。我们提出的 CDD 在域可泛化分割中优于多种最先进的方法。