基于风格增强与双归一化的可泛化跨模态医学图像分割
计算机视觉与模式识别
2022-03-29 v3
摘要
在医学图像分割中，设想一个模型仅在源域中使用 MR 图像训练，那么它在目标域中直接分割 CT 图像的表现会如何？这一设定即可泛化跨模态分割，因其临床潜力而备受关注，且比其他相关设定（如域适应）更具挑战性。为实现该目标，本文提出一种新颖的双归一化模型，在可泛化分割过程中利用增强的源相似与源不相似图像。具体而言，给定单一源域，为模拟未见目标域中可能出现的外观变化，我们首先利用非线性变换增强源相似与源不相似图像。随后，为充分利用这两类增强数据，我们所提出的基于双归一化的模型采用共享主干网络但独立的批归一化层进行分别归一化。接着，我们提出一种基于风格的选择方案，在测试阶段自动选取合适路径。在三个公开数据集（即 BraTS、Cross-Modality Cardiac 和 Abdominal Multi-Organ 数据集）上的大量实验表明，我们的方法优于其他最先进的域泛化方法。代码见 https://github.com/zzzqzhou/Dual-Normalization。
引用
@article{arxiv.2112.11177,
title = {Generalizable Cross-modality Medical Image Segmentation via Style Augmentation and Dual Normalization},
author = {Ziqi Zhou and Lei Qi and Xin Yang and Dong Ni and Yinghuan Shi},
journal= {arXiv preprint arXiv:2112.11177},
year = {2022}
}
备注
Accepted by CVPR 2022