语义感知随机卷积与源匹配用于医学图像分割的领域泛化

我们解决了单源领域泛化（Domain Generalization, DG）用于医学图像分割的挑战性问题，即在不调整模型的情况下，直接将在一个域（例如CT）上训练的网络应用于另一个域（例如MR），且在训练时不要求来自新域的图像或注释。在训练时，我们通过语义感知随机卷积来多样化源域，其中根据注释标签对源图像的不同区域在训练时以不同的方式进行数据增强。在测试时，我们通过映射目标域图像的强度来使其类似于源域数据，从而补充训练域的随机化。我们在多种跨模态和跨中心的泛化设置下进行了全面评估，包括腹部、全心和前列腺分割，在绝大多数实验中我们超过了以前的DG技术。此外，我们还研究在训练全心CT或MR数据并测试于不同扫描仪硬件下捕获的心动舒张和心动收缩期的cine MR数据时的情况。总体而言，我们的评估显示，我们的方法在医学图像分割的DG中实现了新的最佳性能，甚至在几个设置中达到了与in-domain基线相当的性能。