在医学图像细分中增强域名通用化,使用全球和本地提示

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:

• 由于数据异质性,域泛化 (DG) 对医疗图像细分至关重要.
• 预训练的视觉模型 (PVM) 是有前途的,但标准的微调忽略了领域转移和实例级知识.

研究的目的:

• 开发一个新的框架,全球和本地提示 (GLPs),以加强医疗图像细分领域的概括.
• 通过明确分离领域共享知识和领域特定知识,为医学总局适应PVM.
• 通过利用特定实例信息来提高模型的稳定性.

主要方法:

• 引入了一个新的框架,包括全球和本地提示 (GLPs).
• 开发了一个个性化的域名适配器来分析目标源域名关系.
• 整合一致性和基于解剖学的规范化术语,以保持实例可区分性和器官位置不变性.

主要成果:

• 在凡尼拉和半监督的GD设置中,GLP框架实现了优异的细分性能.
• 在五个不同的医疗数据集上进行了实验,证明了持续的改善.
• 该方法有效地解决了域移动问题,并利用实例级知识.

结论:

• 拟议的GLP框架显著提高了医疗图像细分领域的泛化.
• 全球视力模型提供了一种有效的策略,用于将大规模预训练的视力模型适应异构的医疗数据.
• 该方法显示出强大的潜力,可以提高AI在医学成像中的可靠性和适用性.