Jul, 2024
统计数据的魔鬼:缓解和利用统计差异以实现可推广的半监督医学图像分割
The Devil is in the Statistics: Mitigating and Exploiting Statistics
Difference for Generalizable Semi-supervised Medical Image Segmentation
TL;DR医学图像分割中,针对域普适性的成功,将全部源领域的体素注释作为一个巨大负担。最近提出的半监督域普适性通过利用来自多个医疗机构的有限标记数据和丰富的未标记数据来应对这一挑战,依靠精确利用未标记数据同时改善普适性。然而,我们观察到医疗机构之间的领域转换导致特征统计上的差异,使伪标签质量明显降低,由于意外的归一化过程。然而,这个现象可用于促进未知领域的普适性。因此,我们提出了多个统计个体分支来减轻领域转换的影响,以获得可靠的伪标签,并提出了一个统计聚合分支用于域无关特征学习。此外,为了模拟具有统计差异的未知领域,我们从图像水平和特征水平上采用直方图匹配的扰动和随机批归一化选择策略,生成多样化的统计信息以扩展训练分布。在三个医学图像数据集上的评估结果证明了我们的方法与最近的SOTA方法相比的有效性。