魔鬼在通道中：面向医学图像分割的对比式单域泛化

基于深度学习的医学图像分割模型在部署到新的医疗中心时会出现性能下降。为解决此问题，已有无监督域适应和多源域泛化方法被提出，然而由于获取目标域数据的成本以及从多源域重新分发数据所带来的隐私问题，这些方法不利于临床实践。本文中，我们提出一种用于医学图像分割的通道级对比单域泛化（C$^2$SDG）模型。在C$^2$SDG中，提取每幅图像及其风格增强对应图像的较浅层特征并用于对比训练，从而得到解耦的风格表示与结构表示。分割仅基于结构表示进行。我们的方法新颖之处在于对比视角，其利用单一源域实现通道级特征解耦。我们在多域联合视杯与视盘分割基准上针对六种SDG方法评估了C$^2$SDG。我们的结果表明C$^2$SDG中各模块的有效性，并且表明C$^2$SDG以较大优势优于基线及所有竞争方法。代码将发布于\url{https://github.com/ShishuaiHu/CCSDG}。