分割一致性训练：面向医学图像分割的分布外泛化
计算机视觉与模式识别
2022-06-01 v1 机器学习
摘要
泛化能力被视为深度学习的主要挑战之一，尤其在医学影像领域，医院更换或成像流程改变可能导致模型彻底失效。为此，我们引入一致性训练（Consistency Training），一种基于最大化模型在增强与未增强数据上预测一致性以促进更好分布外泛化的训练流程，作为数据增强的替代方案。为此，我们提出了一种称为分割不一致损失（Segmentation Inconsistency Loss, SIL）的基于区域的新型分割损失函数，其考虑成对的增强与未增强预测及标签之间的差异。我们证明，在息肉分割这一热门医学任务上，一致性训练在多个分布外数据集上优于常规数据增强。
引用
@article{arxiv.2205.15428,
title = {Segmentation Consistency Training: Out-of-Distribution Generalization for Medical Image Segmentation},
author = {Birk Torpmann-Hagen and Vajira Thambawita and Kyrre Glette and Pål Halvorsen and Michael A. Riegler},
journal= {arXiv preprint arXiv:2205.15428},
year = {2022}
}
备注
15 pages