分布中的宝藏:一种基于域随机化的多源域泛化方法用于二维医学图像分割
计算机视觉与模式识别
2023-06-01 v1
摘要
尽管近年来卷积神经网络(CNNs)在医学图像分割中取得巨大成功,但医学图像高度可变的图像质量所导致的域偏移问题阻碍了 CNNs 在真实临床场景中的部署。域泛化(DG)方法旨在通过在源域上训练鲁棒模型来解决此问题,该模型具备强泛化能力。先前已提出许多基于特征空间域随机化的 DG 方法,然而其受限于有限且无序的特征风格搜索空间。在本文中,我们提出一种称为分布中的宝藏(TriD)的多源 DG 方法,其通过从均匀分布中随机采样构建前所未有的搜索空间,从而获得具有强鲁棒性的模型。为显式学习域不变表示,我们进一步在 TriD 中设计了一种风格混合策略,其通过沿通道维度随机混合增强与原始统计量来混合特征风格,并可扩展至其他 DG 方法。在两个不同模态的医学分割任务上的大量实验表明,我们的 TriD 在未见目标域数据上实现了优越的泛化性能。代码见 https://github.com/Chen-Ziyang/TriD。
引用
@article{arxiv.2305.19949,
title = {Treasure in Distribution: A Domain Randomization based Multi-Source Domain Generalization for 2D Medical Image Segmentation},
author = {Ziyang Chen and Yongsheng Pan and Yiwen Ye and Hengfei Cui and Yong Xia},
journal= {arXiv preprint arXiv:2305.19949},
year = {2023}
}
备注
12 pages, 4 figures, 8 tables, early accepted by MICCAI 2023