不变内容协同学习用于医学图像分割的域泛化
图像与视频处理
2022-05-09 v1 计算机视觉与模式识别
摘要
深度卷积神经网络（DCNNs）在医学图像分割中取得了显著成功，但在面对具有新颖分布的测试数据时往往无法保持其鲁棒性。针对这一缺陷，DCNNs的归纳偏置近来得到广泛认可。具体而言，DCNNs表现出偏向图像风格（如表面纹理）而非不变内容（如物体形状）的归纳偏置。本文提出一种名为不变内容协同学习（ICSL）的方法，通过控制归纳偏置来提升DCNNs在未见数据集上的泛化能力。首先，ICSL混合训练样本的样式以扰动训练分布，即为DCNNs训练提供更具多样性的域或风格。基于扰动后的分布，我们精心设计了一种双分支不变内容协同学习策略，以防止风格偏置预测并更关注不变内容。在两个典型医学图像分割任务上的大量实验结果表明，我们的方法优于最先进的域泛化方法。
引用
@article{arxiv.2205.02845,
title = {Invariant Content Synergistic Learning for Domain Generalization of Medical Image Segmentation},
author = {Yuxin Kang and Hansheng Li and Xuan Zhao and Dongqing Hu and Feihong Liu and Lei Cui and Jun Feng and Lin Yang},
journal= {arXiv preprint arXiv:2205.02845},
year = {2022}
}
备注
10 pages, 5 figures