UniAda:域统一和适应网络,用于可泛化的医疗图像细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 由于域差异 (例如,供应商,协议),一般化的医疗图像细分具有挑战性.
• 现有的域泛化 (DG) 方法在训练期间难以捕捉全球域特征,或者在测试期间适应未见的域.

研究的目的:

• 提出一种新的"在训练时统一,在测试时适应"模式,用于可概括的医疗图像细分.
• 开发一个域意识的基本模型,可以动态地适应未见的目标域.

主要方法:

• 引入了一个域统一和适应网络 (UniAda).
• 采用特征统计更新机制,将多源域统一为一个全球跨源域.
• 利用一个不确定性地图来指导模型适应特定的测试样本,即使是全球跨源域外的样本.

主要成果:

• UniAda在公共和内部跨领域医疗数据集上表现出强大的概括能力.
• 提出的方法超过了最先进的域泛化技术.
• 该方法有效地解决了学习各种医学成像数据的可概括细分模型的挑战.

结论:

• UniAda提供了一个强大的解决方案,用于跨领域的医疗图像细分.
• "在培训时统一,在测试时适应"的策略提高了模型的适应性和在未见领域的性能.
• 该方法具有显著的潜力,可以在不同的临床环境中提高AI在医学成像中的可靠性.