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

HTML
PDF
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。
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

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高Dice-score性能，超过使用域标签的先前研究成果。

    Jan, 2022

  • 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

  • 分布中的宝藏：基于领域随机化的2D医学图像分割多源领域泛化

    本文介绍一种称为“分布宝藏”的多源域泛化方法，它采用随机样本并构造了一个前所未有的搜索空间以获得强韧性模型，为了明确学习域不变表现，进一步制定了“Style Mix”策略通过随机混合通道高效地混合特征风格。在两项医学分割任务中的广泛实验表明，TriD在看不见目标域数据上的泛化性能优于其他DG方法。

    May, 2023

  • 医学图像分析的领域泛化综述

    医学图像分析（MedIA）是医学和医疗中不可或缺的工具，对疾病诊断、预测和治疗计划有所助益，深度学习（DL）取得的重大成就对其发展作出了显著贡献。然而，用于MedIA的DL模型在实际情况中仍然具有挑战性，在训练和测试样本之间的分布差异下无法进行泛化，也即所谓的分布偏移问题。本文综述了专门针对MedIA的领域泛化研究，全面地回顾了领域泛化技术在更广泛的MedIA系统中的相互作用，超越方法论，考虑到对整个MedIA工作流程的操作影响。具体而言，我们将领域泛化方法分为数据级、特征级、模型级和分析级方法。我们展示了这些方法如何在MedIA工作流程的不同阶段中使用，从数据获取到模型预测和分析。此外，我们还包括了用于评估这些方法的基准数据集和应用，并分析了各种方法的优缺点，揭示了未来的研究机会。

    Oct, 2023

  • 从降噪训练到测试时间自适应：增强医学图像分割的领域通用性

    通过将辅助降噪解码器纳入基本的 U-Net 结构中，我们提出了自去噪 Y-Net (DeY-Net) 这一全新方法，该方法利用自我监督学习范式以减少对源域的过拟合，提高域泛化能力，并且可以利用未标记的数据，通过进一步适应目标域和噪声污染输入的方式，我们还提出了自去噪测试时间适应 (DeTTA)。广泛的实验表明，与其他方法相比，我们的方法在广泛应用的肝脏分割基准测试中取得了显著的领域泛化改进和先进结果。

    Oct, 2023

  • 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

  • DG-TTA: 领域泛化和测试时间适应的医学图像分割

    我们提出将领域泛化和测试时间适应相结合的方法，在未见目标领域中重新使用预训练模型，并通过优化模型权重以确保每个未见扫描的高质量分割，以消除当前的数据可用性障碍。

    Dec, 2023

  • 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

  • 混合领域半监督医学图像分割中构建和探索中间域

    医学图像分割中存在有限标注和领域转移的问题，传统的半监督分割和无监督领域自适应方法只解决了其中一个问题，本文提出了一种新的具有挑战性的情景：混合领域半监督医学图像分割（MiDSS），并通过引入统一的复制-粘贴（UCP）和对称引导训练策略（SymGD）解决问题，进一步使用训练过程感知的随机幅值混合（TP-RAM）方法以获得更好的分割结果。

    Apr, 2024