基于对抗强度攻击的域泛化医学图像分割方法
图像与视频处理
2023-04-07 v1 密码学与安全
计算机视觉与模式识别
摘要
大多数统计学习算法依赖于一个过度简化的假设，即训练数据与测试数据独立同分布。然而，在真实场景中，模型经常会遇到训练时未接触过的来自新且不同域的数据，这在医学成像应用中因采集设备、成像协议和患者特征的差异而十分常见。为解决该问题，域泛化（DG）是一个有前景的方向，它通过学习对不同域变化鲁棒的域不变特征，使模型能处理先前未见过的域数据。为此，我们提出一种称为对抗强度攻击（AdverIN）的新颖DG方法，其利用对抗训练生成具有无限多种风格且保留关键内容信息的训练数据，从而增加数据多样性。我们在多个多域分割数据集上进行了广泛评估实验，包括2D视网膜眼底视盘/视杯和3D前列腺MRI。结果表明，AdverIN显著提升了分割模型的泛化能力，在这些具有挑战性的数据集上取得明显改进。代码将在发表后提供。
引用
@article{arxiv.2304.02720,
title = {Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation},
author = {Zheyuan Zhang and Bin Wang and Lanhong Yao and Ugur Demir and Debesh Jha and Ismail Baris Turkbey and Boqing Gong and Ulas Bagci},
journal= {arXiv preprint arXiv:2304.02720},
year = {2023}
}
备注
Code is available upon publication