Nov, 2021

基于因果推断的医学图像分割单源领域泛化

PDF
TL;DR本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。
deep learningdomain shiftmedical imagingdata augmentationcross-domain segmentation
发现论文，激发创造
  • 当未见领域泛化不必要时？重新思考数据增广

    本文提出了一种用于医学图像领域通用性问题的 Deep Stacked Transformations (DST) 方法，并通过对三种任务的测试表明，DST 模型对于未曾接触的数据集性能的下降仅有 11% 左右，可更好地应对图像域的差异，因此可以在更临床上的任务中发挥作用。

    Jun, 2019

  • 因果灵感的隐变量增强单域泛化

    通过基于因果学习和干预的方法，我们提出了一种新颖的因果启发潜在特征增强方法，用于单域泛化，我们可以生成多样的隐式特征级变换，在潜在空间中更好地补偿对初始有限图像级变换的依赖，捕捉更稳定的领域不变因果特征以实现泛化。

    Jun, 2024

  • 基于形状词典的医学图像分割单域泛化的测试时适应

    本文研究单一领域通用的医学图像分割问题，提出了一种利用领域间不变的形状先验信息和测试时的适应策略以提高模型通用性的方法，并在两个医学图像分割任务上进行了广泛实验验证。

    Jun, 2022

  • 用于单源域泛化的 CNN 特征图增强

    本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。

    May, 2023

  • 基于数据增强的医学成像领域无监督域适应

    基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

    Aug, 2023

  • 具有解缠度的半监督元学习用于通用领域医学图像分割

    本文提出了一种新颖的半监督元学习框架，其中包括解缠结和显式对与领域位移相关的表示进行建模，对于医学图像分割问题，这项技术表现良好，尤其在有限的标注数据情况下具有更好的一般化性能和鲁棒性。

    Jun, 2021

  • 选择数据增强以模拟干预措施

    本文从因果研究的角度出发，探讨了领域内数据缺失的问题，并提出用数据扩增方法进行干预，以此来解决数据的缺失问题。同时，本文通过理论和实证分析发现，相比其他数据扩增方法，干预模型的数据扩增方法能够更有效地提高模型的泛化性能。

    May, 2020

  • 最佳来源前进：通过源特定网络进行域通用化

    通过引入多个特定于源域的分类器，利用预测目标样本属于每个源域的概率进行最优融合，并引入一个域不可知组件来支持最终分类器，我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。

    Jun, 2018

  • 通过样式增强和双重归一化实现通用交叉模态医学图像分割

    本文提出了一种基于双标准化模型的，借助源域中类似和不类似的图像数据在目标域中进行通用分割的方法，旨在解决跨模态分割中不同领域之间的特征差异问题，并在 BraTS、Cross-Modality Cardiac 和 Abdominal Multi-Organ 等公共领域数据集上进行实验和测试，表明此方法优于其他最先进的领域泛化方法。

    Dec, 2021

  • 医学图像分析领域广义化综述

    医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个 GitHub 项目，收集了相关资源，链接为：https://this-URL-github-project

    Feb, 2024