GS-EMA：用于增强解剖动脉瘤分割中域泛化的梯度手术指数移动平均与边界感知对比学习
计算机视觉与模式识别
2024-02-26 v1 机器学习
摘要
脑动脉瘤的自动分割对于准确诊断和治疗规划至关重要。面对来自不同医疗机构的3D旋转血管图（3DRA）数据中的显著域偏移和类别不平衡，该任务变得具有挑战性。这些偏移包括图像外观、强度分布、分辨率和动脉瘤大小差异，均会复杂化分割过程。为解决这些问题，我们提出了一种新颖的域泛化策略，采用梯度手术指数移动平均（GS-EMA）优化技术结合边界感知对比学习（BACL）。我们的方法在学习域不变特征方面具有鲜明的适应性，从而提高了跨不同临床数据集的解剖动脉瘤分割的鲁棒性和准确性。结果表明，我们所提出的方法能够提取更具域不变性的特征，最小化过度分割，同时捕获更完整的动脉瘤结构。
引用
@article{arxiv.2402.15239,
title = {GS-EMA: Integrating Gradient Surgery Exponential Moving Average with Boundary-Aware Contrastive Learning for Enhanced Domain Generalization in Aneurysm Segmentation},
author = {Fengming Lin and Yan Xia and Michael MacRaild and Yash Deo and Haoran Dou and Qiongyao Liu and Nina Cheng and Nishant Ravikumar and Alejandro F. Frangi},
journal= {arXiv preprint arXiv:2402.15239},
year = {2024}
}
备注
Accepted by ISBI 2024