基于深度学习的医疗图像细分模型的域泛化域域随机卷积
Daniel Scholz1,2, Ayhan Can Erdur2, Jan C Peeken3
1Institute for Diagnostic and Interventional Neuroradiology, Klinikum rechts der Isar, Technical University of Munich, Neuro-Kopf-Zentrum, Ismaninger Str 22, 81675 Munich, Germany.
Radiology. Artificial intelligence
|November 19, 2025
概括
随机卷积显著改善了医学成像的深度学习细分模型,增强了对新数据领域的概括性. 这种增强策略导致与标准培训方法相比,更强大的模型.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分的深度学习模型经常与域泛化作斗争.
- 增强策略对于提高模型稳定性和在未见数据上的性能至关重要.
研究的目的:
- 评估随机卷曲作为一种增强技术,以增强基于深度学习的医学图像细分领域的泛化.
- 评估随机卷积对不同成像模式和数据集的细分性能的影响.
主要方法:
- 一项回顾性研究,将基于随机卷积的增强策略应用于腹部器官和脑组织细分任务.
- 增强UNet模型与基线和最先进的细分模型 (TotalSegmentator,deepAtropos) 的性能比较.
- 分析随机卷积配置对它们对域内和域外性能的影响.
主要成果:
- 随机卷积增强的UNet实现了与最先进的模型可比的竞争性域内子得分.
- 与基线相比,在MRI和T2w成像上的增强模型中观察到显著更高的域外Dice得分 (FDR调整后P<0.001).
- 增强概率和配置影响了域内和域外性能之间的平衡.
结论:
- 随机卷积产生了更强大的医疗图像细分模型,并改进了对未见域的概括.
- 这种增强策略与各种深度学习细分架构兼容.
- 这些发现表明随机卷积是提高AI在医学成像中的可靠性的宝贵工具.
