Devil is in Channels: Contrastive Single Domain Generalization for Medical Image Segmentation

要約

深層学習ベースの医療画像セグメンテーション モデルは、新しい医療センターに導入するとパフォーマンスが低下します。
この問題に対処するために、教師なしドメイン適応およびマルチソース ドメイン一般化手法が提案されていますが、これらはターゲット ドメイン データの取得コストと、複数のドメインからのデータの再配布に伴うプライバシーの問題のため、臨床現場ではあまり好ましくありません。
ソースドメイン。
この論文では、\textbf{C} チャネルレベルの \textbf{C}ontrastive \textbf{S}ingle \textbf{D}omain \textbf{G} の一般化 (\textbf{C$^2$SDG}) を提案します。
) 医療画像セグメンテーションのモデル。
C$^2$SDG では、各画像の浅い特徴とそのスタイル拡張された対応部分が抽出され、対比トレーニングに使用され、その結果、もつれのないスタイル表現と構造表現が得られます。
セグメンテーションは構造表現のみに基づいて実行されます。
私たちの方法は、単一のソースドメインを使用してチャネルごとの特徴のもつれを解くことを可能にする、対照的な観点において斬新です。
マルチドメイン結合視神経乳頭および視神経乳頭セグメンテーションベンチマークで、6 つの SDG 手法に対して C$^2$SDG を評価しました。
私たちの結果は、C$^2$SDG の各モジュールの有効性を示唆しており、また、C$^2$SDG がベースラインおよび競合するすべての手法を大幅に上回っていることも示しています。
コードは \url{https://github.com/ShishuaiHu/CCSDG} で入手できます。

要約(オリジナル)

Deep learning-based medical image segmentation models suffer from performance degradation when deployed to a new healthcare center. To address this issue, unsupervised domain adaptation and multi-source domain generalization methods have been proposed, which, however, are less favorable for clinical practice due to the cost of acquiring target-domain data and the privacy concerns associated with redistributing the data from multiple source domains. In this paper, we propose a \textbf{C}hannel-level \textbf{C}ontrastive \textbf{S}ingle \textbf{D}omain \textbf{G}eneralization (\textbf{C$^2$SDG}) model for medical image segmentation. In C$^2$SDG, the shallower features of each image and its style-augmented counterpart are extracted and used for contrastive training, resulting in the disentangled style representations and structure representations. The segmentation is performed based solely on the structure representations. Our method is novel in the contrastive perspective that enables channel-wise feature disentanglement using a single source domain. We evaluated C$^2$SDG against six SDG methods on a multi-domain joint optic cup and optic disc segmentation benchmark. Our results suggest the effectiveness of each module in C$^2$SDG and also indicate that C$^2$SDG outperforms the baseline and all competing methods with a large margin. The code will be available at \url{https://github.com/ShishuaiHu/CCSDG}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google