视觉基础模型是否增强了医学图像分割中的领域泛化能力?
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
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。
Jul, 2023
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
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
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(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
对于自动分割医学图像的研究,本文总结了目前的微调策略,并在包括所有常见放射学模态的17个数据集上进行评估,研究发现微调 Segment Anything Model (SAM) 相较于以前的分割方法具有稍微更好的性能,使用参数效率高的学习在编码器和解码器中进行微调的策略优于其他策略,网络架构对最终性能影响不大,通过自监督学习进一步训练 SAM 可以提高最终模型性能。
Apr, 2024
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
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。
Jul, 2024