通过随机特征增强来改善医疗图像细分的域概括性能
Yuxin Kang1, Xuan Zhao1, Yu Zhang2
1School of Information Science and Technology, Northwest University, Xi'an, 710127, China.
Methods (San Diego, Calif.)
|August 12, 2023
概括
这项研究引入了一种新的随机特征增强 (RFA) 方法,以改善医疗图像细分中的深卷积神经网络 (DCNN) 概括. 在没有事先知识的情况下,RFA方法提高了跨不同数据分布的模型稳定性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度卷积神经网络 (DCNNs) 在医学图像细分方面表现出色.
- 医疗图像中的分布差异挑战了DCNN在未见数据上的稳定性.
- 现有的域泛化方法通常需要先前的知识,限制数据多样性.
研究的目的:
- 开发一种用于增强医疗图像细分中的DCNN概括的新方法.
- 解决先前知识依赖的特征增强技术的局限性.
- 提高DCNN对医疗成像数据变化的稳定性.
主要方法:
- 提出一种随机特征增强 (RFA) 方法,在没有事先知识的情况下,在特征层面多样化源域数据.
- RFA 扰乱域特定信息,同时保留域不变信息.
- 引入了双分支不变协同学习策略,以从RFA增强数据中捕获域不变特征.
主要成果:
- 提出的方法在最先进的域泛化技术上表现出优越的性能.
- 在光杯/光盘细分 ( fundus图像) 和前列腺细分 (MRI图像) 上进行评估.
- 该方法有效地使源域数据多样化,并使通用表示的学习成为可能.
结论:
- 拟议的RFA方法和协同学习策略显著提高了DCNN对医疗图像细分的概括性.
- 这种方法提供了一个强大的解决方案,用于将DCNN应用于各种临床数据集.
- 该方法在改善各种医学成像应用中的诊断准确性方面具有前景.
