CDDSA:对比域解和风格增强用于可概括的医疗图像细分
Ran Gu1, Guotai Wang2, Jiangshan Lu1
1School of Mechanical and Electrical Engineering, University of Electronic Science and Technology of China, Chengdu, China.
Medical image analysis
|July 28, 2023
概括
这项研究介绍了对比域解和风格增强 (CDDSA) 以实现强大的医疗图像细分. 通过有效分离图像特征,CDDSA增强了对新数据的概括,提高了临床适用性.
科学领域:
- 医学图像分析 医学图像分析
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 域泛化 (DG) 对于医疗图像细分至关重要,以确保在各种数据集中临床适用性.
- 目前的 DG 方法往往无法有效地分辨域特定和域不变特征,限制了它们对未见数据的性能.
- 实现强大的概括需要解决医疗成像领域转移的挑战.
研究的目的:
- 提出一个高效的框架,对比域解和风格增强 (CDDSA),用于可概括的医疗图像细分.
- 改善域特定和域不变特征的解,以提高模型的稳定性.
- 为了提高医疗图像细分在不同领域和未见的数据的性能.
主要方法:
- 一个解网络将图像分解成域不变的解剖表示和域特定的风格代码.
- 通过促进域内紧性和跨域的分歧来完善特征解,采用了对比性损失.
- 风格增强策略是实时合成各种图像风格,以提高模型的概括性.
主要成果:
- 拟议的CDDSA框架在公共基金和内部NPC-MRI数据集的不同领域中表现出了显著的概括性.
- 在可概括的医疗图像细分任务中,CDDSA显著超过了几种最先进的方法.
- 实验证实了解特征和风格增强在改善跨领域细分性能方面的有效性.
结论:
- CDDSA框架提供了一个有效的解决方案,用于在医疗图像细分中实现高通用性.
- 该方法通过改善特征解,成功地解决了现有 DG 技术的局限性.
- CDDSA对现实世界的临床应用具有显著的前景,需要在各种成像条件中进行强大的细分.
