从去噪训练到测试时自适应：增强医学图像分割的域泛化能力
计算机视觉与模式识别
2023-11-06 v2
摘要
在医学图像分割中，由于数据采集设备差异等因素引起的域偏移使得域泛化成为一项重大挑战。这些偏移在最常见的场景中尤为明显——出于隐私考虑，该场景仅涉及单源域数据。为此，我们从有效防止对源域过拟合的自监督学习范式汲取灵感。我们提出去噪Y-Net（DeY-Net），一种将辅助去噪解码器嵌入基础U-Net架构的新方法。该辅助解码器旨在执行去噪训练，增强有助于域泛化的域不变表示。此外，该范式为利用无标签数据提供了可能。基于去噪训练，我们提出去噪测试时自适应（DeTTA），其进一步：（i）以样本级方式使模型适应目标域；（ii）适应含噪输入。在广泛采用的肝脏分割基准上的大量实验表明，相较于基线及其他方法，我们的方法在域泛化上取得显著提升并达到SOTA结果。代码见 https://github.com/WenRuxue/DeTTA。
引用
@article{arxiv.2310.20271,
title = {From Denoising Training to Test-Time Adaptation: Enhancing Domain Generalization for Medical Image Segmentation},
author = {Ruxue Wen and Hangjie Yuan and Dong Ni and Wenbo Xiao and Yaoyao Wu},
journal= {arXiv preprint arXiv:2310.20271},
year = {2023}
}
备注
Accepted to WACV 2024