重新审视医学图像分割中单源域泛化的数据增强
计算机视觉与模式识别
2022-11-29 v1
摘要
医学图像分割中的单源域泛化（SDG）是一项具有挑战性却至关重要的任务，因为临床图像数据集间的域偏移十分常见。以往的尝试多进行仅全局/随机的增强，其增强样本通常在多样性与信息性上不足，因而无法覆盖可能的目标域分布。本文中，我们重新审视面向医学图像分割中 SDG 的数据增强策略。受医学图像的类级表征不变性与风格可变性启发，我们假设未见目标数据可从 （类别数）个随机变量的线性组合中采样，其中每个变量在类级上服从位置-尺度分布。相应地，通过对随机变量以一般形式采样即可轻易实现数据增强。在实证方面，我们在全局与局部（即类级）区域上以约束 Bzier 变换实现该策略，可大幅提升增强多样性。进一步提出显著性平衡融合机制，通过引入梯度信息丰富信息性，以恰当的方向与幅度引导增强。作为一项重要贡献，我们从理论上证明所提增强可导出未见目标域上泛化风险的上界，从而验证了假设。结合两种策略，我们的显著性平衡位置-尺度增强（SLAug）在两个具挑战性的 SDG 任务中以大幅优势超越当前最优工作。代码见 https://github.com/Kaiseem/SLAug 。
引用
@article{arxiv.2211.14805,
title = {Rethinking Data Augmentation for Single-source Domain Generalization in Medical Image Segmentation},
author = {Zixian Su and Kai Yao and Xi Yang and Qiufeng Wang and Jie Sun and Kaizhu Huang},
journal= {arXiv preprint arXiv:2211.14805},
year = {2022}
}