面向医疗健康的连续域适应

深度学习算法已在具挑战性的医学影像问题上展现出巨大成功。然而，部署后，这些算法易受数据分布变化的影响，原因在于医学图像中的\emph{有限数据问题}与\emph{多样性}。在本文中，我们提出\emph{ContextNets}，一种用于语义分割的通用记忆增强神经网络框架，以实现无需重训练的连续域适应。不同于需要访问全部源域与目标域图像的现有方法，我们的算法能以少量相似图像适应目标域。我们通过上下文嵌入以任意新输入的支持集图像（及掩码，若可用）上计算的特征为条件进行推断，以实现站点特定适应。我们在来自三个独立队列的X射线肺分割问题上展示了state-of-the-art的域适应性能，这些队列在疾病类型、性别、对比度与强度变化上有所不同。