融合形状与空间信息的基于随机风格迁移的域泛化网络
计算机视觉与模式识别
2020-09-04 v2 图像与视频处理
摘要
基于深度学习（DL）的模型在医学图像分割中展现出良好性能。然而，在已知数据集上训练的模型在应用于来自不同中心、厂商和疾病人群采集的未知数据集时常常失效。本工作中，我们提出一种随机风格迁移网络，以解决多厂商多中心心脏图像分割的域泛化问题。风格迁移用于生成具有更宽分布/异质性的训练数据，即域增强。由于目标域可能未知，我们在风格迁移阶段为目标的模态随机生成模态向量，以模拟未知域的域偏移。该模型可通过同时优化有监督分割与无监督风格转换目标以半监督方式训练。此外，框架通过引入两个正则化项将目标的空间信息与形状先验结合起来。我们在M&Ms challenge2020的40名受试者上评估了所提框架，并对来自未知厂商与中心的数据分割取得了有前景的性能。
引用
@article{arxiv.2008.12205,
title = {Random Style Transfer based Domain Generalization Networks Integrating Shape and Spatial Information},
author = {Lei Li and Veronika A. Zimmer and Wangbin Ding and Fuping Wu and Liqin Huang and Julia A. Schnabel and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2008.12205},
year = {2020}
}
备注
11 pages