ConStyX: Content Style Augmentation for Generalizable Medical Image Segmentation

要約

医療画像は通常、複数のドメインから収集され、医療画像セグメンテーションモデルの性能を損なうドメインシフトにつながります。
ドメイン一般化（DG）は、強力な一般化可能性を備えた堅牢なモデルをトレーニングすることにより、この問題に対処することを目指しています。
最近、多数のドメインランダム化ベースのDGメソッドが提案されています。
ただし、これらの方法は、次の制限に悩まされています。1）画像スタイルの摂動への排他的依存性によるドメインランダム化の制約効率、および2）モデルトレーニングに対する過剰な高級画像の悪影響の無視。
これらの問題に対処するために、一般化可能な医療画像セグメンテーションのために、コンテンツスタイルの増強（Constyx）と呼ばれる新しいドメインランダム化ベースのDGメソッドを提案します。
具体的には、constyx 1）トレーニングデータのコンテンツとスタイルを補強し、拡張トレーニングデータがより広い範囲のデータドメインをよりよくカバーできるようにし、2）モデルトレーニング中の過剰高級機能のマイナス効果を軽減しながら、十分に高度の機能をレバレッジします。
複数のドメインにわたる広範な実験は、私たちのConstyxが優れた一般化パフォーマンスを達成することを示しています。
このコードはhttps://github.com/jwxsp1/constyxで入手できます。

要約(オリジナル)

Medical images are usually collected from multiple domains, leading to domain shifts that impair the performance of medical image segmentation models. Domain Generalization (DG) aims to address this issue by training a robust model with strong generalizability. Recently, numerous domain randomization-based DG methods have been proposed. However, these methods suffer from the following limitations: 1) constrained efficiency of domain randomization due to their exclusive dependence on image style perturbation, and 2) neglect of the adverse effects of over-augmented images on model training. To address these issues, we propose a novel domain randomization-based DG method, called content style augmentation (ConStyX), for generalizable medical image segmentation. Specifically, ConStyX 1) augments the content and style of training data, allowing the augmented training data to better cover a wider range of data domains, and 2) leverages well-augmented features while mitigating the negative effects of over-augmented features during model training. Extensive experiments across multiple domains demonstrate that our ConStyX achieves superior generalization performance. The code is available at https://github.com/jwxsp1/ConStyX.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google