基于测试时增强的样式不变心脏图像分割

深度模型常因真实临床环境中的表观偏移而出现严重的性能下降。现有多数基于学习的方法依赖于来自多中心/多厂商的图像甚至相应标签。然而，收集足够未知数据以鲁棒建模分割并非总能实现，因为日常应用中由成像因素引起的复杂表观偏移。本文中，我们提出一种新颖的样式不变心脏图像分割方法。基于零样本样式迁移以消除表观偏移，以及测试时增强以探索多样潜在解剖结构，我们所提方法能有效对抗表观偏移。我们的贡献有三方面。首先，受通用样式迁移启发，我们为内容图像开发零样本风格化，生成与样式图像表观相似的风格化图像。其次，我们基于 U-Net 结构构建鲁棒的心脏分割模型。我们的框架在测试时主要由两个网络组成：用于消除表观偏移的 ST 网络与分割网络。第三，我们研究测试时增强，以探索风格化图像的变换版本进行预测并合并结果。值得注意的是，我们所提框架是完全测试时自适应。实验结果证明我们的方法在泛化深度分割模型方面是有前景且通用的。