面向鲁棒医学图像分割的风格课程学习

深度分割模型的性能常因训练与测试数据集间图像强度的分布偏移而下降。在多中心研究中，涉及使用多厂商扫描仪获取的数据以及采集协议的变化时，这种情况尤为明显。解决这种性能下降具有挑战性，因为该偏移通常并非先验已知，因而难以建模。我们提出了一种新颖框架，以在此类分布偏移存在时确保鲁棒分割。我们的贡献有三方面。首先，受课程学习精神的启发，我们设计了一种新颖的风格课程，以由易到难的模式训练分割模型。采用带风格融合的风格迁移模型来生成课程样本。逐步聚焦于复杂与对抗性风格样本可显著提升模型的鲁棒性。其次，不同于主观定义课程复杂度，我们采用自动化的梯度操纵方法来控制困难与对抗样本的生成过程。第三，我们提出局部梯度符号（Local Gradient Sign）策略，以在梯度操纵期间局部聚合梯度并稳定训练。所提框架可在不使用任何目标数据的情况下泛化至未知分布。在公开 M&Ms Challenge 数据集上的大量实验表明，我们提出的框架能很好地将深度模型泛化至未知分布，并在分割精度上取得显著提升。