神经细胞自动机在医学图像分割中的泛化能力：一种稳健且轻量级的方法
计算机视觉与模式识别
2024-08-29 v1
摘要
在医学成像领域，U-Net架构及其变体已成为图像分割任务的基石，尤其因其在数据有限的情况下表现出色。尽管在相同分布（in-domain）数据上表现出色，但U-Net在测试于训练分布之外（out-of-distribution，即out-of-domain）数据时表现会显著下降。当前方法主要通过各种形式的正则化来实现泛化，此类技术在特定场景下取得中等成果。本文则探索了使用比常规U-Net小三个数量级（即x1000）的模型所带来的潜在影响。此类规模缩减的U-Net参数通常会严重影响内域和外域性能，可能是由于显著缩小的感受野所致。为规避此问题，我们研究了神经细胞自动机（NCA）的概念，尽管其模型结构更为简单，但通过递归过程可实现更大的感受野。两个不同数据集上的实验结果表明，NCA在泛化性方面优于传统方法，同时仍保持令人满意的 IID 性能。
引用
@article{arxiv.2408.15557,
title = {Generalization Capabilities of Neural Cellular Automata for Medical Image Segmentation: A Robust and Lightweight Approach},
author = {Steven Korevaar and Ruwan Tennakoon and Alireza Bab-Hadiashar},
journal= {arXiv preprint arXiv:2408.15557},
year = {2024}
}