结合伪形态增强与对比学习从3D MRI进行阿尔茨海默病检测的单域泛化
计算机视觉与模式识别
2025-06-02 v2
摘要
尽管得益于现代深度学习模型，通过 MRI 进行阿尔茨海默病检测取得了显著进展，但类别不平衡、协议差异和数据集多样性有限等挑战往往阻碍了其泛化能力。为解决这一问题，本文聚焦于单域泛化设置，即在给定一个域的数据的情况下，设计并开发一个相对于具有不同分布的未见域具有最大性能的模型。由于已知大脑形态在阿尔茨海默病诊断中起着至关重要的作用，我们提出使用可学习的伪形态模块，旨在结合有监督对比学习模块，产生形状感知的、具有解剖学意义的类别特定增强，以提取鲁棒的类别特定表示。在三个数据集上进行的实验表明，性能和泛化能力得到了提升，尤其是在类别不平衡和成像协议差异下。源代码将在被接受后发布于 https://github.com/zobia111/SDG-Alzheimer。
引用
@article{arxiv.2505.22465,
title = {Single Domain Generalization for Alzheimer's Detection from 3D MRIs with Pseudo-Morphological Augmentations and Contrastive Learning},
author = {Zobia Batool and Huseyin Ozkan and Erchan Aptoula},
journal= {arXiv preprint arXiv:2505.22465},
year = {2025}
}