用于域泛化心脏分割的解耦表示
图像与视频处理
2020-08-27 v1 计算机视觉与模式识别
摘要
由于现有方法无法在不同域的未见数据上取得满意性能，鲁棒的心脏图像分割仍是一个开放挑战。由于医学数据的采集与标注成本高且耗时，近期工作聚焦于域适应与域泛化以弥合不同人群与扫描仪数据间的差距。本文提出两种数据增强方法，旨在提升最先进心脏分割模型的域适应与域泛化能力。具体而言，我们的“分辨率增强”方法通过将图像重缩放到跨越不同扫描仪协议的范围内的不同分辨率来生成更多样化的数据。随后，我们的“基于因子的增强”方法通过将原始样本投影到解耦潜在空间，并组合来自不同域的解剖与模态因子，生成更多样化的数据。我们的大量实验证明了在已见与未见域间高效适应以及模型泛化能力对鲁棒心脏图像分割的重要性。
引用
@article{arxiv.2008.11514,
title = {Disentangled Representations for Domain-generalized Cardiac Segmentation},
author = {Xiao Liu and Spyridon Thermos and Agisilaos Chartsias and Alison O'Neil and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2008.11514},
year = {2020}
}
备注
Accepted by STACOM 2020