通过适应性光谱随机卷积来学习可概括的视觉表示,用于医学图像分割
Zuyu Zhang1, Yan Li1, Byeong-Seok Shin1
1Department of Electrical and Computer Engineering, Inha University, Incheon, 22212, South Korea.
Computers in biology and medicine
|November 4, 2024
概括
本研究引入了一个自适应光谱随机卷积 (ASRConv) 模块,以增强医疗图像细分. ASRConv通过选择性随机化低频特征来提高模型的概括性,优于现有的方法.
科学领域:
- 医疗图像分析 医疗图像分析
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 医疗图像细分模型在不同数据集的概括性方面扎,限制了临床应用.
- 当前的随机卷积方法提高了概括性,但可以引入高频噪声,降低性能.
- 现有的方法缺乏对特征频率随机化的精确控制.
研究的目的:
- 开发一种新型模块,即自适应光谱随机卷积 (ASRConv),用于改善医学图像细分中的域概括.
- 为了减轻传统随机卷积方法引入的高频噪声的负面影响.
- 提高医疗图像细分的深度学习模型的稳定性和临床适用性.
主要方法:
- 提出了一个自适应光谱随机卷积 (ASRConv) 模块,可以选择性地随机化低频特征.
- 引入了一个动态重量生成模块,该模块以随机噪声为条件,用于自适应内核生成.
- 采用对抗域增强策略来引导噪声抑制和改善功能多样性.
主要成果:
- 在 ASRConv 中,子相似系数 (DSC) 的平均改善为 fundus 数据集的 3.07%,聚数据集的 1.18%.
- 该方法与最先进的域泛化技术相比,表现一致.
- 定性结果证实了该模型对域分布转移的稳定性.
结论:
- 拟议的ASRConv模块有效地学习域不变表示,以便进行强大的医疗图像细分.
- ASRConv提供了对特征频率的卓越控制,避免了有害的高频器件.
- 这种方法显著提高了模型在临床环境中的通用性和性能.
