为域连续医疗图像细分进行因果性调整的数据增量

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:

• 基于蒸的方法在域内持续医疗图像细分的目的是防止灾难性的遗忘.
• 由于混因素,现有的方法往往会对新旧知识产生偏见,影响细分性能.

研究的目的:

• 引入一个新的框架,因果调整数据增强 (CauAug),以减轻域内持续医疗图像细分方面的偏差.
• 改善在持续学习过程中的模型概括和知识保留.

主要方法:

• 提出了因果调整数据增量 (CauAug) 框架.
• 引入了因果干预的纹理域调整混合方案 (TDAHS).
• 开发了两种以因果关系为目标的数据增强方法:交叉内核网络 (CKNet) 和富里埃变压器生成器 (FTGen).

主要成果:

• CauAug有效地识别和解决由无关的局部纹理 (L) 和域特定特征 (D) 引起的知识偏差.
• CKNet减少了对局部纹理的依赖,加强了对解剖结构的关注,并改善了概括性.
• FTGen恢复了特定领域的特征,有助于全面提炼旧知识.
• 实验结果表明,灾难性遗忘的显著缓解和优越的性能比现有方法.

结论:

• CauAug框架通过解决固有的知识偏差,为域持续医学图像细分提供了强大的解决方案.
• CauAug通过提高概括性和有效地保存旧知识来提高模型性能.
• 提出的方法,TDAHS,CKNet和FTGen,有助于推进医学图像细分中的因果推理.