医学图像分割的分布外泛化方法有多可靠？
图像与视频处理
2021-09-07 v1 计算机视觉与模式识别
机器学习
摘要
深度学习近期的成就依赖于测试数据与训练数据分布相似。在理想情况下，深度学习模型应实现分布外（OoD）泛化，即对分布外数据可靠地进行预测。然而在实践中，模型在面临分布偏移时通常无法很好地泛化。为此，若干方法被设计出来，通过基于正则化或域预测的 scheme 来提升模型所学特征的鲁棒性。分割诸如海马体 MRI 等医学图像对于神经精神疾病的诊断与治疗至关重要。但这些脑图像常因患者年龄及影响器官形状的各种病理而出现分布偏移。本工作中，我们针对 MR 数据中海马体分割问题，使用全监督与半监督训练评估 OoD 泛化方案。我们发现没有方法在所有实验中都可靠地表现。仅有 V-REx 损失脱颖而出，因其易于调参，同时在多数情况下优于标准 U-Net。
引用
@article{arxiv.2109.01668,
title = {How Reliable Are Out-of-Distribution Generalization Methods for Medical Image Segmentation?},
author = {Antoine Sanner and Camila Gonzalez and Anirban Mukhopadhyay},
journal= {arXiv preprint arXiv:2109.01668},
year = {2021}
}