面向外异构内镜成像的域泛化挑战
计算机视觉与模式识别
2024-10-22 v1
摘要
尽管近期深度学习 (DL) 在手术场景分割方面取得进展，单中心、单成像模态的数据显示出有前景的效果，但这些方法通常难以泛化到未见的分布或模态。即使是人类专家也能识别视觉外观，DL 方法在数据样本不遵循相似分布时往往难以做到这一点。当前解决领域差距的文献主要聚焦于自然场景数据，但这些方法无法直接应用于内镜数据，因为此类数据中的视觉线索相对有限。本文通过执行实例归一化和特征协方差映射技术，利用图像中的风格和内容信息，以保留稳健且通用的特征表示。此外，为避免去除与感兴趣对象相关的显著特征表示，我们在特征学习的 ResNet 主干网络中引入了恢复模块，以保留有用的任务相关特征。我们的方法在 EndoUDA 脂肺瘤数据集的目标 (不同模态) 集合上相对于基线 DeepLabv3+ 获得了 13.7% 的改进，几乎比最新的 SOTA 方法高出约 8%。在 EndoUDA 巴氏 esophagus (BE) 数据集上，本方法相对于基线实现了 19% 的改进，相对于最佳 SOTA 方法实现了约 6% 的提升。
关键词
引用
@article{arxiv.2410.14821,
title = {Tackling domain generalization for out-of-distribution endoscopic imaging},
author = {Mansoor Ali Teevno and Gilberto Ochoa-Ruiz and Sharib Ali},
journal= {arXiv preprint arXiv:2410.14821},
year = {2024}
}
备注
The paper was accepted at Machine Learning in Medical Imaging (MLMI) workshop at MICCAI 2024 in Marrakesh