图像与标签统计联合建模以增强医学图像分割模型的泛化性
图像与视频处理
2022-06-10 v1 计算机视觉与模式识别
摘要
尽管有监督深度学习在医学图像分割中取得了令人满意的性能，许多方法在未见数据上泛化不佳，限制了其实际应用。为解决此问题，我们提出了一种基于深度学习的贝叶斯框架，该框架联合建模图像与标签统计，利用医学图像中与域无关的轮廓进行分割。具体而言，我们首先将图像分解为轮廓与基分量。然后，我们将期望标签建模为仅与轮廓相关的变量。最后，我们开发了变分贝叶斯框架来推断这些变量（包括轮廓、基与标签）的后验分布。该框架由神经网络实现，因此被称为深度贝叶斯分割。在跨序列心脏 MRI 分割任务上的结果表明，我们的方法在模型泛化性方面树立了新的 SOTA。特别地，使用 LGE MRI 训练的 BayeSeg 模型在 T2 图像上泛化良好，并以很大优势超越其他模型，即平均 Dice 提升超过 0.47。我们的代码可在 https://zmiclab.github.io/projects.html 获取。
引用
@article{arxiv.2206.04336,
title = {Joint Modeling of Image and Label Statistics for Enhancing Model Generalizability of Medical Image Segmentation},
author = {Shangqi Gao and Hangqi Zhou and Yibo Gao and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2206.04336},
year = {2022}
}
备注
MICCAI 2022