面向医学图像分析的域泛化：综述
图像与视频处理
2024-12-10 v3 人工智能
计算机视觉与模式识别
摘要
医学图像分析（MedIA）已成为医学与医疗保健中的重要工具，辅助疾病诊断、预后和治疗规划，且近期深度学习（DL）的成功为其进展作出了重大贡献。然而，由于 DL 模型无法在训练与测试样本之间的分布差距（即域偏移问题）上泛化，在现实场景中部署用于 MedIA 的 DL 模型仍然具有挑战性。研究者已致力于开发各种 DL 方法，以在未知和分布外（OOD）数据分布上自适应并稳健运行。本文全面综述了专为 MedIA 设计的域泛化（DG）研究。我们提供了 DG 技术如何在更广义的 MedIA 系统中相互作用的整体视角，超越方法论，考量其对整个 MedIA 工作流程的操作影响。具体而言，我们将 DG 方法分为数据级、特征级、模型级和分析级方法。我们展示了这些方法如何用于配备 DL 的 MedIA 工作流程的各个阶段，从数据采集到模型预测与分析。此外，我们批判性地分析了各种方法的优势与局限，揭示了未来的研究机遇。
引用
@article{arxiv.2310.08598,
title = {Domain Generalization for Medical Image Analysis: A Review},
author = {Jee Seok Yoon and Kwanseok Oh and Yooseung Shin and Maciej A. Mazurowski and Heung-Il Suk},
journal= {arXiv preprint arXiv:2310.08598},
year = {2024}
}