FAN-Net：基于傅里叶的自适应归一化用于跨域卒中病灶分割
图像与视频处理
2023-10-03 v1 计算机视觉与模式识别
摘要
由于卒中是多种脑血管疾病的主要成因，基于深度学习的磁共振（MR）图像卒中病灶分割已引起相当关注。然而，现有方法常忽视来自不同站点采集的 MR 图像间的域偏移，限制了性能提升。为解决该问题，我们意图通过自适应改变傅里叶变换的低频幅度分量来改变风格信息而不影响高层语义，从而增强模型对变化域的鲁棒性。因此，我们提出一种新颖的 FAN-Net，一种基于 U-Net 的分割网络，融合了基于傅里叶的自适应归一化（FAN）和带梯度反转层的域分类器。FAN 模块专为学习不同域幅度分量的自适应仿射参数而设计，可动态归一化源图像的风格信息。随后，域分类器提供域无关知识，赋予 FAN 强域泛化能力。在由 9 个站点的 MR 图像组成的 ATLAS 数据集上的实验结果表明，所提 FAN-Net 相较基线方法具有更优性能。
引用
@article{arxiv.2304.11557,
title = {FAN-Net: Fourier-Based Adaptive Normalization For Cross-Domain Stroke Lesion Segmentation},
author = {Weiyi Yu and Yiming Lei and Hongming Shan},
journal= {arXiv preprint arXiv:2304.11557},
year = {2023}
}
备注
Accepted by IEEE ICASSP 2023