基于随机振幅混合与域特定图像复原的泛化医学图像分割
计算机视觉与模式识别
2022-08-09 v1
摘要
在医学图像分析中，由于不同数据采集策略间的差异，在一个或数个域上训练的分割模型缺乏对未见域的泛化能力。我们认为分割性能的退化主要归因于对源域的过拟合与域偏移。为此，我们提出一种新颖的泛化医学图像分割方法。具体而言，我们将方法设计为多任务范式，通过把分割模型与自监督的域特定图像复原（DSIR）模块结合以实现模型正则化。我们还设计了随机振幅混合（RAM）模块，其融合不同域图像的低频信息以合成新图像。为引导模型抵御域偏移，我们引入了语义一致性损失。我们在两个公开的医学图像泛化分割基准上验证了方法的性能，证实我们的方法可达到最先进（SOTA）性能。
引用
@article{arxiv.2208.03901,
title = {Generalizable Medical Image Segmentation via Random Amplitude Mixup and Domain-Specific Image Restoration},
author = {Ziqi Zhou and Lei Qi and Yinghuan Shi},
journal= {arXiv preprint arXiv:2208.03901},
year = {2022}
}
备注
Accepted by ECCV2022