针对医疗图像分割中的单域概括的对立一致性
Yanwu Xu1, Shaoan Xie2, Maxwell Reynolds1
1Department of Biomedical Informatics, University of Pittsburgh, Pittsburgh, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|June 11, 2024
概括
本研究引入了一种新的对抗性域概括方法,用于器官细分,在单个数据集上进行训练. 它合成了新的领域,以改善对未见数据的模型概括,减少对深度学习模型重新培训的需求.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 器官细分对于医学图像分析至关重要.
- 深度学习模型通常需要为新的数据领域进行再培训.
- 域泛化 (DG) 旨在提高模型的适应性.
研究的目的:
- 开发一种用于器官细分的新型对抗性域泛化方法.
- 为了使未见的对比度和扫描仪设置在不需要重新训练的情况下进行概括.
- 通过合成新的数据分布,在单个领域训练模型.
主要方法:
- 提出了一个单域对抗域泛化方法.
- 引入了一个对抗域合成器 (ADS) 来创建合成域.
- 实现了一种相互信息调节器,具有补丁级对比学习,以实现语义一致性.
主要成果:
- 该方法证明了在未见的模式,扫描协议和扫描站点之间有效的器官细分.
- 敌对域合成器成功生成了可信的数据分布.
- 相互信息调节器确保了合成域中的语义一致性.
结论:
- 拟议的方法为器官细分概括提供了一个强大的解决方案.
- 用合成域进行单域培训是多域培训的可行替代方案.
- 这种方法显著减少了对医学成像中的深度学习模型进行广泛再培训的需求.
