基于形状字典测试时自适应的医学图像分割单域泛化
计算机视觉与模式识别
2022-06-30 v1
摘要
域泛化通常需要来自多个源域的数据进行模型学习。然而，这一强假设在实践中未必总成立，尤其在因隐私顾虑导致数据共享高度受限甚至禁止的医学领域。本文研究重要且具挑战性的单域泛化问题：模型仅在最差情形下利用单一源域学习，直接泛化至不同未见目标域。我们提出一种新方法解决医学图像分割中的该问题，其提取并整合跨域不变、且即便仅从单域数据也能充分获取的分割语义形状先验信息，以辅助分布偏移下的分割。此外，进一步设计带双一致性正则化的测试时自适应策略，促进在各未见域下对这些形状先验的动态融入，提升模型泛化性。在两个医学图像分割任务上的大量实验表明，本方法在各未见域上均取得一致提升，且在最差情形域泛化上优于当前最优方法。
引用
@article{arxiv.2206.14467,
title = {Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary},
author = {Quande Liu and Cheng Chen and Qi Dou and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2206.14467},
year = {2022}
}
备注
Accepted to AAAI 2022