SAN-Net：基于自适应归一化实现脑卒中病灶分割对未知站点泛化的学习

在医学影像领域，磁共振（MR）图像上的脑卒中病灶自动分割备受关注，因为脑卒中是一种重要的脑血管疾病。尽管已有基于深度学习的模型被提出用于该任务，但由于不同扫描仪、成像协议和人群之间较大的站点间差异，以及脑卒中病灶形状、大小和位置的变化，将这些模型泛化到未知站点十分困难。为解决此问题，我们提出了一种自适应归一化网络，称为SAN-Net，以在未知站点上实现脑卒中病灶分割的自适应泛化。受传统z-score归一化和动态网络启发，我们设计了掩码自适应实例归一化（MAIN）来最小化站点间差异，其通过从输入动态学习仿射参数，将来自不同站点的输入MR图像标准化为与站点无关的样式；即MAIN可对强度值进行仿射变换。然后，我们利用梯度反转层迫使U-net编码器与站点分类器学习站点不变表示，结合MAIN进一步提升了模型泛化能力。最后，受人类大脑“伪对称性”启发，我们引入了一种简单而有效的数据增强技术，称为对称启发式数据增强（SIDA），可嵌入SAN-Net中使样本量翻倍同时将内存消耗减半。在包含来自9个不同站点的MR图像的基准Anatomical Tracings of Lesions After Stroke (ATLAS) v1.2数据集上的实验结果表明，在“留一站点”设置下，所提出的SAN-Net在量化指标和定性比较上均优于近期发表的方法。