HCDG：一种用于医学图像分割领域泛化的层次一致性框架
计算机视觉与模式识别
2023-08-25 v4
摘要
现代深度神经网络在部署至真实应用时，难以跨多样域迁移知识并泛化。当前，领域泛化（DG）被引入以从多域学习通用表示，从而提升网络在未见域上的泛化能力。然而，既往DG方法仅关注数据级一致性方案，未考虑不同一致性方案间的协同正则化。本文提出一种新颖的层次一致性领域泛化框架（HCDG），通过协同整合外禀一致性与内禀一致性实现。特别地，对于外禀一致性，我们利用多源域间的知识强制数据级一致性。为更好增强该一致性，我们设计了一种新颖的振幅高斯混合策略，并将其嵌入基于傅里叶的数据增广（称为DomainUp）。对于内禀一致性，我们在双任务场景下对同一实例执行任务级一致性。我们在两项医学图像分割任务上评估所提HCDG框架，即眼底图像上的视杯/视盘分割与前列腺MRI分割。大量实验结果证明了我们HCDG框架的有效性与通用性。
引用
@article{arxiv.2109.05742,
title = {HCDG: A Hierarchical Consistency Framework for Domain Generalization on Medical Image Segmentation},
author = {Yijun Yang and Shujun Wang and Lei Zhu and Lequan Yu},
journal= {arXiv preprint arXiv:2109.05742},
year = {2023}
}
备注
this paper is currently not published