MAP:基于解剖结构一致伪模态元学习的域泛化方法
计算机视觉与模式识别
2023-09-06 v1
摘要
深度模型对未见域的泛化能力有限,这严重阻碍了其临床适用性。具体到视网膜血管分割任务,尽管模型理应学习目标的解剖结构,但可能被强度、对比度等混杂因素分散注意力。我们提出基于解剖结构一致伪模态的元学习(MAP),一种通过学结构特征提升模型泛化能力的方法。我们首先利用特征提取网络生成三个共享原图像血管结构的不同的伪模态。接着,我们采用情景学习范式,选取其中一个伪模态作为元训练数据集,并对由其余伪模态的 Dirichlet mixup 生成的连续增强图像空间进行元测试。此外,我们引入两个损失函数,通过对具有相同的血管结构的图像所得的潜向量进行聚类,促使模型聚焦于形状信息。我们在七个不同视网膜成像模态的公开数据集上评估模型,得出 MAP 具有显著更优的泛化能力。我们的代码公开于 https://github.com/DeweiHu/MAP。
引用
@article{arxiv.2309.01286,
title = {MAP: Domain Generalization via Meta-Learning on Anatomy-Consistent Pseudo-Modalities},
author = {Dewei Hu and Hao Li and Han Liu and Xing Yao and Jiacheng Wang and Ipek Oguz},
journal= {arXiv preprint arXiv:2309.01286},
year = {2023}
}