何时无需 unseen 域泛化?重新思考数据增强
计算机视觉与模式识别
2019-06-13 v2 图像与视频处理
摘要
深度学习在医学图像分割中的近期进展展现出专家级精度。然而,在临床真实环境中,由于图像域的差异(包括不同成像协议、设备厂商和病患群体),此类方法性能有限。此处我们考虑域泛化问题:模型训练一次,其性能可泛化到未见过(unseen)的域。直观上,在特定医学成像模态内,域差异相对于自然图像的域变异性更小。我们重新思考医学 3D 图像的数据增强,并提出一种用于域泛化的深度堆叠变换(DST)方法。具体而言,在网络训练期间,对每个 mini-batch 中的每幅图像施加一系列 n 个堆叠变换,以解释医学图像中域特定偏移的贡献。我们在三项任务上全面评估我们的方法:从 3D MRI 分割整个前列腺、从 3D MRI 分割左心房、以及从 3D 超声分割左心室。我们证明,当在小型源数据集上训练时,(i) 平均而言,DST 模型在 unseen 数据集上仅退化 11%(Dice 分数变化),而传统增强退化 39%、基于 CycleGAN 的域适应方法退化 25%;(ii) 在同一域上评估时,DST 也更好,尽管仅 marginally;(iii) 当在大规模数据上训练时,DST 在 unseen 域上达到最先进全监督模型的性能。这些发现为医学成像中域泛化研究建立了强基准,并可推广到面向临床部署的鲁棒深度分割模型设计。
引用
@article{arxiv.1906.03347,
title = {When Unseen Domain Generalization is Unnecessary? Rethinking Data Augmentation},
author = {Ling Zhang and Xiaosong Wang and Dong Yang and Thomas Sanford and Stephanie Harmon and Baris Turkbey and Holger Roth and Andriy Myronenko and Daguang Xu and Ziyue Xu},
journal= {arXiv preprint arXiv:1906.03347},
year = {2019}
}
备注
9 pages, 3 figure