通过解缠式-内容信息和超像素一致性实现内窥镜图像分割的域泛化
计算机视觉与模式识别
2024-09-20 v1 人工智能
摘要
持续的监测是将个体基于其发展肠癌前体物质的可能性进行分层的必要措施。在临床实践中，常规白光成像(WLI)和窄带成像(NBI)以及荧光成像等补充模态用于评估风险区域。然而，传统深度学习(DL)模型在模型在一种模态上训练、在不同模态上测试时表现下降，由于域间差异。我们之前的方法使用称为“SUPRA”的基于超像素的方法，有效地利用颜色和空间距离生成像素组，以有效学习域无关信息。该早期工作的一个主要局限性是聚合未利用结构信息，这对于分割任务（尤其是息肉和异质颜色分布）并不理想。因此，本文提出了一种方法，通过实例归一化和实例选择性白化(ISW)实现风格-内容解缠，以与SUPRA结合提高域泛化能力。我们在两个数据集上评估了该方法：EndoUDA Barrett's Esophagus和EndoUDA polyps，并将其性能与三个最先进(SOTA)方法进行比较。我们的发现表明，与基线和SOTA方法相比，在目标域数据上该方法性能显著提升。具体而言，在息肉数据集上，该方法相对于基线和三个SOTA方法分别提升了14%、10%、8%和18%。此外，该方法在Barrett's Esophagus数据集上比第二个最佳方法(EndoUDA)高出近2%。
引用
@article{arxiv.2409.12450,
title = {Domain Generalization for Endoscopic Image Segmentation by Disentangling Style-Content Information and SuperPixel Consistency},
author = {Mansoor Ali Teevno and Rafael Martinez-Garcia-Pena and Gilberto Ochoa-Ruiz and Sharib Ali},
journal= {arXiv preprint arXiv:2409.12450},
year = {2024}
}