AdverIN:在医疗图像细分中的域概括的单调对抗强度攻击

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 域泛化 (DG) 旨在提高深度学习模型在未见数据域上的性能.
• 目前的 DG 方法侧重于学习 robust 的 domain-invariant 特性.
• 处理不同数据领域的变化仍然是人工智能的重大挑战.

研究的目的:

• 提出一种名为Adversarial Intensity Attack (AdverIN) 的新领域泛化技术.
• 提高医疗图像细分任务的深度学习模型的通用性.
• 通过合成各种图像强度来提高对域移动的模型稳定性.

主要方法:

• 敌对强度攻击 (AdverIN) 采用了一个敌对训练策略.
• 该方法合成了强度变化的频谱,以增加数据多样性.
• 图像中的基本上下文信息在合成过程中被保存.

主要成果:

• 在实验中,AdverIN显著提高了细分模型的通用性.
• 在2D视网膜光盘/杯和3D前列腺MRI细分上实现了最先进的性能.
• 拟议的技术在各种多领域任务中表现出有效性.

结论:

• 敌对强度攻击 (AdverIN) 是一种有效的域泛化技术.
• 该方法提高了模型的稳定性和在以前未见的数据域上的性能.
• 在改善医疗图像分析和其他DG应用方面,AdverIN显示出前景.