Domain Generalization for Medical Image Segmentation via Hierarchical Consistency Regularization

要約

現代のディープニューラルネットワークは、実世界のアプリケーションに展開した際に、多様なドメインに知識を伝達し、汎化することに苦労しています。現在、未知のドメインでのネットワークの汎化能力を向上させるために、複数のドメインから普遍的な表現を学習するドメイン汎化（DG）が導入されている。しかし、これまでのDG手法は、データレベルの一貫性スキームにのみ着目し、異なる一貫性スキーム間の相乗的な正則化を考慮しない。本論文では、Extrinsic ConsistencyとIntrinsic Consistencyを相乗的に統合した、ドメイン汎化のための階層的整合性フレームワーク(HCDG)を新たに提案する。特に、Extrinsic Consistencyについては、複数のソースドメインにまたがる知識を活用し、データレベルの一貫性を強化する。このような整合性を高めるために、DomainUpと呼ばれるフーリエベースのデータ拡張に新しい振幅ガウス混合戦略を設計する。本質的整合性については、タスクレベルの整合性をデュアルタスクシナリオの下で同じインスタンスに対して実行する。提案するHCDGフレームワークを2つの医療画像セグメンテーションタスク、すなわち、眼底画像における視蓋/ディスクのセグメンテーションと前立腺MRIセグメンテーションで評価する。広範な実験結果により、提案するHCDGフレームワークの有効性と汎用性が明らかになった。

要約(オリジナル)

Modern deep neural networks struggle to transfer knowledge and generalize across diverse domains when deployed to real-world applications. Currently, domain generalization (DG) is introduced to learn a universal representation from multiple domains to improve the network generalization ability on unseen domains. However, previous DG methods only focus on the data-level consistency scheme without considering the synergistic regularization among different consistency schemes. In this paper, we present a novel Hierarchical Consistency framework for Domain Generalization (HCDG) by integrating Extrinsic Consistency and Intrinsic Consistency synergistically. Particularly, for the Extrinsic Consistency, we leverage the knowledge across multiple source domains to enforce data-level consistency. To better enhance such consistency, we design a novel Amplitude Gaussian-mixing strategy into Fourier-based data augmentation called DomainUp. For the Intrinsic Consistency, we perform task-level consistency for the same instance under the dual-task scenario. We evaluate the proposed HCDG framework on two medical image segmentation tasks, i.e., optic cup/disc segmentation on fundus images and prostate MRI segmentation. Extensive experimental results manifest the effectiveness and versatility of our HCDG framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL