用于域适应的直方图匹配增强及其在多中心、多厂商与多疾病心脏图像分割中的应用
图像与视频处理
2020-12-29 v1 计算机视觉与模式识别
摘要
如果训练样本和测试样本来自同一分布，卷积神经网络（CNNs）在心脏结构分割上已取得高准确率。然而，若测试样本来自不同域（例如新的MRI扫描仪、临床中心），性能会下降。本文提出一种直方图匹配（HM）数据增强方法来消除域间隙。具体而言，我们的方法通过使用HM将测试样本的强度分布迁移到现有训练样本，生成新的训练样本。所提方法非常简单，并可以即插即用的方式用于许多分割任务。该方法在MICCAI 2020 M&Ms挑战赛上评估，对左心室、心肌和右心室分别取得平均Dice分数0.9051、0.8405和0.8749，以及Hausdorff距离9.996、12.49和12.68。我们的结果在MICCAI 2020 M&Ms挑战赛中排名第三。代码和训练好的模型公开于\url{https://github.com/JunMa11/HM_DataAug}。
引用
@article{arxiv.2012.13871,
title = {Histogram Matching Augmentation for Domain Adaptation with Application to Multi-Centre, Multi-Vendor and Multi-Disease Cardiac Image Segmentation},
author = {Jun Ma},
journal= {arXiv preprint arXiv:2012.13871},
year = {2020}
}
备注
3rd place in MICCAI 2020 M&Ms challenge