基于混频单一源跨领域泛化的医学图像分割

Jul, 2023

基于混频单一源跨领域泛化的医学图像分割

Frequency-mixed Single-source Domain Generalization for Medical Image Segmentation

Heng Li, Haojin Li, Wei Zhao, Huazhu Fu, Xiuyun Su...

TL;DR通过分析频率在域差异中的影响，Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域，同时在域增强中构建自我监督来学习上下文感知的鲁棒表示，从而提高分割模型的泛化能力。实验证明了该方法的有效性，并显著改进了分割模型的泛化能力，对于提升医学图像分割模型的泛化能力，尤其是在数据标注稀缺时，FreeSDG 提供了一个有前途的解决方案。

Abstract

The annotation scarcity of medical image segmentation poses challenges in collecting sufficient training data for deep learning models. Specifically, models trained on limited data may not generalize well to other unseen data domains, resulting in a domain shift issue. Consequently,

medical image segmentation domain generalization segmentation model frequency-mixed single-source domain generalization method generalizability

发现论文，激发创造

RaffeSDG：基于随机频率滤波的医学图像分割单源域泛化

通过引入频率空间的变化和融合同源样本的策略，RaffeSDG 提供了在单源域上训练的分割模型中强大的域外推理能力，用于解决医疗场景中数据稀缺的领域转移问题。在对三种不同的人体组织进行四种不同成像模态的分割任务的域外推理方面进行了广泛的实验证明了 RaffeSDG 的潜力和通用性。

May, 2024

利用 SAM 进行单源领域泛化的医学图像分割

本文介绍了一种基于 Segment Anything Model (SAM) 的单源域泛化方法，通过引入并行框架以及经过细化的分割模块对源图像进行处理，从而大大提高了泛化能力，实验结果表明该方法与其他先进的领域泛化方法相比获得了有竞争力的结果。

Jan, 2024

基于语言导向的领域通用医学图像分割

本文提出了一种基于文本信息的显式对比学习机制，通过使用文本编码器特征来学习更强大的特征表示，以增强模型对数据的理解，从而在不同的分割任务中实现了更强大的性能。

Apr, 2024

多频率多尺度注意力下的领域通用医学图像分割

为了解决深度学习方法在医学图像分割中常常忽视频率变异和多任务学习中信息丢失的问题，本研究提出了一种适用于医学图像分割的无模态域泛化网络 (MADGNet)。通过引入多频率和多尺度特征的 Multi-Frequency in Multi-Scale Attention (MFMSA) 块以及用于减轻多任务学习中的信息损失的 Ensemble Sub-Decoding Module (E-SDM)，MADGNet 成功提升了医学图像分割的性能并展现了优异的多模态分割表现。

May, 2024

渠道中有鬼：对医学图像分割进行对比单一领域泛化

本研究提出了一种基于 CCSDG 模型的医学图像分割方法，该模型使用浅层特征和样式增强的对应图像进行对比训练，从而实现了对通道级特征的解缠结和结构特征的分离，取得了比基准模型和其他所有竞争方法更好的效果。

Jun, 2023

ConDiSR：单域泛化的对比解缠和风格规范化

医学数据在分布上经常发生变化，这会导致采用标准监督学习流程训练的深度学习模型在测试时性能下降。本研究介绍了一种新的医学图像分类的单域泛化方法，它利用了通道间的对比解缠绕，并通过基于重构的样式正则化进一步增强了独立的样式和结构特征表示的提取。我们将该方法在多中心组织病理图像分类的复杂任务上进行了评估，与最先进的单域泛化基线进行了比较。结果表明，我们的方法在平均准确率上超过了最先进的方法 1％，同时表现更稳定，突显了在分类任务背景下探索单域泛化框架的重要性和挑战。

Mar, 2024

SSL-DG: 对医疗图像分割中的半监督学习和领域泛化进行反思和融合

通过联合使用半监督学习与领域泛化方法，提出了 SSL-DG，实现了在有限标注数据下的跨域泛化效果，并在两个具有挑战性的领域泛化任务中显著优于现有方法。

Nov, 2023

具有类别感知对齐的强健领域无关泛化

该论文提出了 Domain-Free Domain Generalization (DFDG)，一种模型无关的方法，通过学习领域不变的类别判别特征来实现更好的领域泛化性能，具体方法包括使用类别条件软标签来对齐样本的类别关系，使用显著性图来消除训练输入中的表面观察，并在时间序列传感器和图像分类的公共数据集上获得了具有竞争性的性能。

Feb, 2021

基于因果推断的医学图像分割单源领域泛化

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。

Nov, 2021

通过随机幅度混合和领域特定图像恢复实现可推广的医学图像分割

本文提出了一种基于多任务学习的新型医学图像分割方法，涵盖了领域特定图像修复和随机振幅 Mixup 技术，并引入语义一致性损失来抵抗域漂移，取得了公共基准测试中业界领先的结果。

Aug, 2022