颜色质量不变为强大的医疗图像分割
概括
本研究引入了动态色彩图像规范化和色彩质量泛化损失,以改善跨不同图像质量和颜色的医疗图像细分. 这些方法显著提高了在未见域上的模型性能.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 医疗图像细分的单源域泛化 (SDG) 由于图像颜色分布和质量的变化而具有挑战性.
- 在高质量的图像上训练的现有模型往往无法将其推广到低质量的测试图像上,从而导致性能下降.
研究的目的:
- 开发新的技术,以提高医疗图像细分领域的泛化.
- 解决当前处理源域和目标域之间的颜色和质量转移方法的局限性.
主要方法:
- 提出了一个动态色彩图像规范化 (DCIN) 模块,具有全球 (GRIS) 和本地 (LRIS) 参考图像选择策略.
- 引入了颜色质量泛化 (CQG) 损失,以强制色彩和质量变化的不变性.
- 评估了在单个源域上训练的医疗图像分割任务的方法.
主要成果:
- 拟议的DCIN模块和CQG损失显著改善了对目标域数据集的基线的细分性能.
- 与基线相比,子得分增加了32.3分.
- 证明了强大且可用的细分结果,即使在实质性域名转移的情况下.
结论:
- 新的DCIN模块和CQG损失有效地提高了医疗图像细分中的概括能力.
- 提出的方法有助于开发更强大的模型,在不同图像特征的未见域中表现良好.
- 这些技术对现实世界应用具有前景,需要对各种数据集进行可靠的医疗图像分析.
