FSDA-DG:改善医疗图像细分的跨领域通用性,使用很少的源域注释
Zanting Ye1, Ke Wang2, Wenbing Lv3
1School of Biomedical Engineering, Southern Medical University, Guangzhou, Guangdong, 510515, China.
Medical image analysis
|July 2, 2025
概括
本研究介绍了FSDA-DG,这是一种用于医疗图像细分的新方法,使用有限的数据增强了对新领域的概括性. 它采用语义引导的数据增强和多解码器网络,以减少注释来提高性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 医学图像细分的深度学习与有限的标记数据和域移动作斗争.
- 现有的方法往往独立地解决这些挑战,尽管它们在医学成像中经常同时发生.
研究的目的:
- 开发一种方法,以使用最小的单源域注释来改善医疗图像细分中的跨域概括性.
- 通过允许对未见域进行概括来降低数据注释和开发成本.
主要方法:
- 提出FSDA-DG,这是一个包含语义引导的半监督数据增强的新解决方案.
- 将图像划分为全球和本地区域,采用不同的增强策略来丰富数据分布.
- 使用多解码器U-Net管道与半监督学习 (SSL) 进行域不变表示学习.
主要成果:
- 与最先进的方法相比,FSDA-DG在具有挑战性的单域泛化 (SDG) 任务上表现出卓越的性能.
- 该方法有效地利用标记和未标记的数据来构建域名知识,同时保留语义信息.
- 通过有限的注释实现了跨领域的优化通用性.
结论:
- FSDA-DG提供了一个实用的解决方案,用于医疗图像细分,通过有效地处理有限的数据和域移动同时.
- 集成的数据级和模型级设计提供了一个强大的框架,以提高可通用性.
- 该方法显示了降低与医学图像注释和模型开发相关的成本的巨大潜力.
