MaxStyle：用于鲁棒医学图像分割的对抗风格组合
图像与视频处理
2022-06-22 v2 计算机视觉与模式识别
定量方法
摘要
卷积神经网络（CNNs）在训练集与测试集同源的基准数据集上取得了卓越的分割精度，但其性能在未见域上可能显著下降，这阻碍了 CNNs 在许多临床场景中的部署。大多数现有工作通过收集多域数据集进行训练来提升模型域外（OOD）鲁棒性，这种做法成本高昂，且由于隐私与后勤问题未必总可行。在本工作中，我们专注于仅使用单域数据集来提升模型鲁棒性。我们提出了一种名为 MaxStyle 的新型数据增强框架，其最大化风格增强对模型 OOD 性能的有效性。它向分割网络附加一个辅助的风格增强图像解码器，用于鲁棒特征学习与数据增强。重要的是，MaxStyle 通过噪声扩展风格空间，并借助对抗训练搜索潜特征的最坏情况风格组合，从而以改进的图像风格多样性和难度增强数据。在多个公开心脏与前列腺 MR 数据集上的大量实验表明，MaxStyle 在低训练数据和高训练数据设置下，针对未见损坏以及跨多个不同未见站点和未知图像序列的常见分布偏移，均显著提升了分布外鲁棒性。代码见 https://github.com/cherise215/MaxStyle。
引用
@article{arxiv.2206.01737,
title = {MaxStyle: Adversarial Style Composition for Robust Medical Image Segmentation},
author = {Chen Chen and Zeju Li and Cheng Ouyang and Matt Sinclair and Wenjia Bai and Daniel Rueckert},
journal= {arXiv preprint arXiv:2206.01737},
year = {2022}
}
备注
Early accepted by MICCAI 2022 (Camera-ready version)