基于特定领域解码的域泛化医学图像分割方法

摘要：

多源域领域泛化是模型利用多个不同领域中的语义信息,并且能够很好地泛化到未知领域上.在医学图像中,不同领域之间的跨度比较大,模型泛化性能在未知域上会有较大程度的下降.为了解决这一问题,本文提出了一种编码特征再针对特定领域进行解码的网络结构.该模型使用一个通用编码器来学习所有领域上的领域不变特征,并通过特定领域解码器还原原有图像以加强其对图像特征的复原能力.此外,该模型还通过生成特征迁移图像与源域图像进行对抗学习来加强编码器学习领域不变特征的能力.同时,本文在模型中还引入了特殊构造的分割融合预处理步骤来扩充数据集以增强模型的泛化能力,并进一步提高了本文提出网络结构的性能.在两个医学图像的分割任务中,大量实验数据表明,本文提出的模型相比现有先进模型表现出了优异的性能,此外本文还进行了 一系列消融实验,证明了模型的有效性.

关键词：领域泛化、医学图像分割、迁移学习、对抗学习、数据增广

所属期刊栏目：38

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2023-05-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：324-335