医学图像分割所需的对抗强度攻击的域泛化
通过最大化预训练模型的互信息来重新建立目标函数,以解决领域转移在医学成像领域的问题,并在糖尿病视网膜病变分类中得到了稳定且优于先前最先进方法的结果。
Sep, 2023
通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议,作者提出了两种方法来解决领域泛化挑战,并在四个跨领域基准数据集上进行了大量实验。实验结果表明,所提出的模型在 DG 方面优于当前最先进的方法。
Dec, 2018
提出了一种基于边界损失的领域一般化方法(MADG 算法),该算法通过培训过程中的对抗性学习和学习域不变特征来有效地泛化到看不见的目标域,同时通过边界损失和 Rademacher 复杂性进行理论分析,实验证明在各种真实 DG 数据集的基准测试上表现一致。
Nov, 2023
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
本研究提出了使用样式互补模块来增强模型的泛化能力,从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验,结果表明本方法优于现有的单域泛化方法,最高提升了 25.14%。
Aug, 2021
深度学习在医学影像数据分析应用中取得了显著的成功。然而,由于数据分布的差异导致的领域偏移使得深度学习模型在不同扫描仪的不同站点所收集的训练和测试数据上难以实现良好的泛化能力。领域适应作为一种有效手段旨在通过减少医学影像应用中的领域差距来应对这一挑战。本综述针对基于深度学习的医学图像分割领域适应方法进行了重点研究。我们首先介绍领域适应的动机和背景知识,然后全面回顾了医学图像分割中领域适应应用,并最后讨论了该领域的挑战、局限性和未来研究趋势,以促进领域适应在医学图像分割的方法学发展。我们的目标是为研究人员提供关于领域适应在医学图像分割研究中的最新参考文献。
Nov, 2023
本文提出了一种单一域动态泛化框架,它能够在每个样本基础上同时利用领域不变特征和领域特定特征,并通过信息最大化损失和元学习的模式使网络能够泛化到各种未知领域中,在 LivDet-Iris 2017 数据集上取得了最佳效果。
May, 2023
本文提出了一种多领域判别分析方法 (MDA) 来处理分类任务中的域泛化问题,通过学习一个域不变的特征变换,旨在实现每个类别之间领域的最小差异、类别之间最大可分性以及整体最大紧凑性,在学习理论分析中提供了过度风险和泛化误差的限制,通过对合成数据集和真实基准数据集的全面实验,证明了 MDA 的有效性。
Jul, 2019