面向鲁棒且泛化的医学图像分割框架

基于深度学习的计算机辅助诊断正逐步部署用于审阅和分析医学图像。然而，由于鲁棒性和泛化性差，该范式在真实临床应用中受限。在训练数据缺乏时此问题更为严峻。本文从迁移学习视角应对该挑战。不同于从自然图像域向医学图像域迁移知识的常见设定，我们发现同域知识进一步提升了模型鲁棒性与泛化性。因此，我们提出一种用于鲁棒泛化医学图像分割的新颖两阶段框架。首先，提出无监督分块自编码器预训练架构以学习局部与全局知识。其次，设计耦合辅助重建网络的下游分割模型。重建分支促使模型捕捉更具通用性的语义特征。在多胸部X射线数据集上进行了肺分割实验。综合结果表明所提框架对腐蚀具有优越鲁棒性，并在未见数据集上具备高泛化性能，尤其在有限训练数据场景下。