面向未知变异的数据无关增强：MRI 分割中的外推 generalizations
计算机视觉与模式识别
2025-05-16 v1 机器学习
摘要
医学图像分割模型常在精选数据集上训练，导致在实际临床应用中因训练与测试分布不匹配而出现性能下降。虽然广泛使用数据增强技术以解决此挑战，但传统的视觉一致增强策略缺乏应对多样化现实场景的鲁棒性。本文系统评估了替代增强策略，重点关注 MixUp 和辅助傅里叶增强。这些方法在不针对特定分布偏移来源的情况下，显著缓解了多种变异的影响。我们在心脏斑马 MRI 和前列腺 MRI 分割中展示，这些增强技术显著提高了外推 generalisation 和对 imaging 变异的鲁棒性。我们定量发现，这些增强方法通过促进特征表示的可分离性和紧凑性，增强了所学特征表示。此外，我们强调，这些技术集成到 nnU-Net 训练管道中，提供了一种易于实现、高效的解决方案，用于增强医学分割模型在现实世界应用中的可靠性。
引用
@article{arxiv.2505.10223,
title = {Data-Agnostic Augmentations for Unknown Variations: Out-of-Distribution Generalisation in MRI Segmentation},
author = {Puru Vaish and Felix Meister and Tobias Heimann and Christoph Brune and Jelmer M. Wolterink},
journal= {arXiv preprint arXiv:2505.10223},
year = {2025}
}
备注
Accepted at MIDL 2025