RaffeSDG: Random Frequency Filtering enabled Single-source Domain Generalization for Medical Image Segmentation

要約

ディープ ラーニング モデルは、ソース データとターゲット データの間でドメインのシフトがある場合、正確な推論を行う際に課題に直面することがよくあります。
この問題は、医療データの専門的かつプライベートな性質から生じる注釈付きデータの不足により、臨床現場で特に顕著です。
適切なソリューションが存在するにもかかわらず、その多くはデータ収集の制限と計算の複雑さのために臨床現場では妨げられています。
データ不足の医療シナリオにおけるドメインシフトに取り組むために、私たちはランダム周波数フィルタリングを有効にした単一ソースドメイン一般化アルゴリズム (RaffeSDG) を提案します。これは、単一ソースドメインでトレーニングされたセグメンテーションモデルによる堅牢なドメイン外推論を約束します。
フィルタベースのデータ拡張戦略が最初に提案され、周波​​数空間に変動を導入し、相同サンプルをブレンドすることによって、単一ソース ドメイン内のドメイン変動を促進します。
次に、ガウス フィルター ベースの構造的顕著性も利用して、拡張サンプル全体にわたる堅牢な表現を学習し、一般化可能なセグメンテーション モデルのトレーニングをさらに容易にします。
RaffeSDG の有効性を検証するために、4 つの多様なモダリティで画像化された 3 つの人体組織のセグメンテーション タスクに関する領域外推論を含む広範な実験を実施しました。
徹底的な調査と比較を通じて、これらの実験では説得力のある証拠が観察され、RaffeSDG の可能性と一般化可能性が実証されました。
コードは https://github.com/liamheng/Non-IID_Medical_Image_Segmentation で入手できます。

要約(オリジナル)

Deep learning models often encounter challenges in making accurate inferences when there are domain shifts between the source and target data. This issue is particularly pronounced in clinical settings due to the scarcity of annotated data resulting from the professional and private nature of medical data. Despite the existence of decent solutions, many of them are hindered in clinical settings due to limitations in data collection and computational complexity. To tackle domain shifts in data-scarce medical scenarios, we propose a Random frequency filtering enabled Single-source Domain Generalization algorithm (RaffeSDG), which promises robust out-of-domain inference with segmentation models trained on a single-source domain. A filter-based data augmentation strategy is first proposed to promote domain variability within a single-source domain by introducing variations in frequency space and blending homologous samples. Then Gaussian filter-based structural saliency is also leveraged to learn robust representations across augmented samples, further facilitating the training of generalizable segmentation models. To validate the effectiveness of RaffeSDG, we conducted extensive experiments involving out-of-domain inference on segmentation tasks for three human tissues imaged by four diverse modalities. Through thorough investigations and comparisons, compelling evidence was observed in these experiments, demonstrating the potential and generalizability of RaffeSDG. The code is available at https://github.com/liamheng/Non-IID_Medical_Image_Segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google