统一和语义接地域调整用于医疗图像细分的域名

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:

• 对于医疗图像细分而言,无监督域调整面临着挑战,因为有不同的源可访问和无源设置.
• 现有的方法往往缺乏结构化的方法来跨领域对解剖学知识的概括.
• 这种分歧需要一个统一的框架来实现稳健和一致的适应.

研究的目的:

• 开发一个统一的,有语义依据的框架,用于医疗图像细分中的无监督域调整.
• 通过单一模型架构,在源代码可访问和无源环境中实现适应.
• 为跨领域医学图像分析提供可解释和解剖学信息的解决方案.

主要方法:

• 学习了一个域不可知的概率多元体,代表了解剖学规律.
• 将图像内容解释为从多元体中获取的正规解剖学,再加上空间转换.
• 在语义上有意义的预测中采用了一种脱而出的,可解释的表述.

主要成果:

• 在源可访问和无源设置中的心脏和腹部数据集上实现了最先进的性能.
• 证明无源性能与可访问源结果密切匹配,表明高一致性.
• 通过多重穿越来展示强大的解释性,以实现光滑的形状操纵.

结论:

• 拟议的框架为医疗成像中的统一,解剖学信息和可解释的域适应提供了一个原则性的基础.
• 模型架构固有的支持适应性,没有明确的跨域对齐策略.
• 这种方法弥合了不同领域适应设置之间的差距,提高了一致性和性能.