通过不变因果机制实现可泛化的单源跨模态医学图像分割
计算机视觉与模式识别
2024-11-11 v1 机器学习
摘要
单源域泛化（SDG）旨在从单一源域学习一个模型，使其在未见目标域上表现良好。这是计算机视觉中一项重要任务，尤其在医学成像领域，域偏移现象十分常见。在这项工作中，我们考虑一个具有挑战性且实际的设定：跨模态医学图像分割的 SDG。我们将学习域不变表示的因果启发理论洞见与扩散模型增强方面的最新进展相结合，以改善跨不同成像模态的泛化能力。在"干预-增强等变"原则的指导下，我们使用受控扩散模型（DMs）来模拟多样化的成像风格，同时保留内容，利用大规模预训练 DM 中丰富的生成先验来全面扰动多维风格变量。在具有挑战性的跨模态分割任务上的大量实验表明，我们的方法在三个不同解剖结构和成像模态上始终优于最先进的 SDG 方法。源代码可在 https://github.com/ratschlab/ICMSeg 获取。
引用
@article{arxiv.2411.05223,
title = {Generalizable Single-Source Cross-modality Medical Image Segmentation via Invariant Causal Mechanisms},
author = {Boqi Chen and Yuanzhi Zhu and Yunke Ao and Sebastiano Caprara and Reto Sutter and Gunnar Rätsch and Ender Konukoglu and Anna Susmelj},
journal= {arXiv preprint arXiv:2411.05223},
year = {2024}
}
备注
WACV 2025