用于跨域腺癌分割的域与内容自适应卷积

组织病理学计算机辅助诊断的最新进展主要得益于用于自动图像分析的深度学习模型。虽然这些网络可以达到与医学专家相当的性能，但其性能可能因分布外数据而受阻。跨器官和跨扫描仪腺癌分割（COSAS）挑战旨在解决存在形态学和扫描仪引起的域偏移情况下的跨域腺癌分割任务。在本文中，我们提出了一个基于 U-Net 的分割框架来应对这一挑战。我们的方法在最终挑战测试集上，跨器官赛道取得了 0.8020 的分割分数，跨扫描仪赛道取得了 0.8527 的分割分数，在所有提交中排名最佳。