S2S2：用于医学图像鲁棒语义分割的语义堆叠
计算机视觉与模式识别
2024-12-18 v1
摘要
医学图像分割的鲁棒性和泛化性常常受到训练数据稀缺和多样性有限的阻碍，这与推理过程中遇到的变异性形成对比。虽然传统策略——如特定领域数据增强、专用架构和定制训练流程——可以缓解这些问题，但它们依赖于领域知识的可用性和可靠性。当此类知识不可用、具有误导性或应用不当时，性能可能会下降。作为回应，我们受图像去噪中的图像堆叠启发，引入了一种新颖的、领域无关的、附加的、数据驱动的策略。称为“语义堆叠”，我们的方法估计一个去噪的语义表示，以在训练期间补充传统的分割损失。该方法不依赖于特定领域的假设，使其广泛适用于各种图像模态、模型架构和数据增强技术。通过大量实验，我们验证了我们的方法在不同条件下提升分割性能的优越性。代码可在 https://github.com/ymp5078/Semantic-Stacking 获取。
引用
@article{arxiv.2412.13156,
title = {S2S2: Semantic Stacking for Robust Semantic Segmentation in Medical Imaging},
author = {Yimu Pan and Sitao Zhang and Alison D. Gernand and Jeffery A. Goldstein and James Z. Wang},
journal= {arXiv preprint arXiv:2412.13156},
year = {2024}
}
备注
AAAI2025