基于特征级损失和可学习噪声的医学图像域泛化方法
Domain generalization method for medical images based on feature-level loss and learnable noise
1. 内蒙古师范大学 计算机科学技术学院, 呼和浩特 010022
2. 内蒙古自治区人民医院 肾脏内科, 呼和浩特 010020
摘要
在医学图像分割任务中，域偏移问题会影响训练好的分割模型在未见域的性能，因此，提高模型泛化性对于医学图像智能模型的实际应用至关重要。表示学习是目前解决域泛化问题的主流方法之一，大多使用图像级损失和一致性损失来监督图像生成，但是对医学图像微小形态特征的偏差不够敏感，会导致生成图像边缘不清晰，影响模型后续学习。为了提高模型的泛化性，提出一种半监督的基于特征级损失和可学习噪声的医学图像域泛化分割模型FLLN-DG，首先引入特征级损失改善生成图像边界不清晰的问题，其次引入可学习噪声组件，进一步增加数据多样性，提升模型泛化性。与基线模型相比，FLLN-DG在未见域的性能提升2%~4%，证明了特征级损失和可学习噪声组件的有效性，与nnUNet、SDNet+AUG、LDDG、SAML、Meta等典型域泛化模型相比，FLLN-DG也表现出更优越的性能。
基金项目
内蒙古自治区自然科学基金资助项目(2021MS06031,2022ZD05)
内蒙古师范大学基本科研业务费专项资金资助项目(2022JBYJ034)
内蒙古自治区“十四五”社会公益领域重点研发和成果转化计划项目(2022YFSH0010)
无穷维哈密顿系统及其算法应用教育部重点实验室开放课题资助项目(2023KFYB06)
出版信息
DOI: 10.19734/j.issn.1001-3695.2023.08.0408
出版期卷: 《计算机应用研究》 印刷出版, 2024年第41卷 第6期
所属栏目: 图形图像技术
出版页码: 1882-1887
文章编号: 1001-3695(2024)06-041-1882-06
发布历史
[2023-11-16] 优先出版
[2024-06-05] 印刷出版
引用本文
史轶伦, 于磊, 徐巧枝. 基于特征级损失和可学习噪声的医学图像域泛化方法 [J]. 计算机应用研究, 2024, 41 (6): 1882-1887. (Shi Yilun, Yu Lei, Xu Qiaozhi. Domain generalization method for medical images based on feature-level loss and learnable noise [J]. Application Research of Computers, 2024, 41 (6): 1882-1887. )
关于期刊
- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年，是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术，及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者，读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员，各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅，所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊（北大2023年版）
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊
