风格混合增强解学习,用于医疗图像细分中的无监督域调整
Zhuotong Cai1, Jingmin Xin2, Chenyu You3
1National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, and Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University, Xi'an, Shaanxi, China; Department of Biomedical Engineering, Yale University, New Haven, CT, USA.
Medical image analysis
|January 7, 2025
概括
本研究介绍了风格混合增强解学习 (SMEDL),用于医疗图像细分中的无监督域适应. 在没有图像翻译的情况下,SMEDL提高了模型概括和域不变学习,优于现有的方法.
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:
- 无监督域适应 (UDA) 对于跨不同模式的医疗图像细分至关重要.
- 现有的UDA方法通常依赖于图像翻译,这可能会损害语义一致性和域不变表示.
- 需要UDA方法来增强可通用性和域不变性,而无需明确的图像翻译.
研究的目的:
- 为UDA在医疗图像细分中提出一种新的方法,即风格混合增强解学习 (SMEDL).
- 改进模型概括和域不变学习能力.
- 为了克服现有的UDA方法的局限性,这些方法依赖于图像翻译.
主要方法:
- 采用脱的风格混合,在功能空间中隐式生成多种风格混合的域.
- 引入像素智能一致性规范化,以实现有效的风格混合域和域一致性.
- 使用双层域不变学习:域内对比学习和域间对抗学习.
主要成果:
- 在心脏和大脑医学图像细分任务上表现出卓越的性能.
- 实现了改进的域泛化和域不变学习.
- 在UDA医疗图像细分方面超越了最先进的方法.
结论:
- 通过避免图像翻译,SMEDL为UDA医疗图像细分提供了一种有效的方法.
- 拟议的方法增强了模型概括和域不变表示学习.
- SMEDL显示了改善跨模式医疗图像细分的巨大潜力.
