基于特征级损失和可学习噪声的医学图像域泛化方法OA北大核心CSTPCD
Domain generalization method for medical images based on feature-level loss and learnable noise
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…查看全部>>
In medical image segmentation tasks,the domain shift problem affects the performance of trained segmentation models in the unseen domain.Therefore,improving model generalization is crucial for the practical application of intelligent models for medical images.Representation learning is currently one of the dominant methods for solving domain generalization problems,mostly using image-level loss and consistency loss to supervise image generation.However,it is…查看全部>>
史轶伦;于磊;徐巧枝
内蒙古师范大学计算机科学技术学院,呼和浩特 010022内蒙古自治区人民医院肾脏内科,呼和浩特 010020内蒙古师范大学计算机科学技术学院,呼和浩特 010022
计算机与自动化
医学图像分割域泛化表示学习特征级损失可学习噪声
medical image segmentationdomain generalizationrepresentation learningfeature-level losslearnable noise
《计算机应用研究》 2024 (6)
1882-1887,6
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(2022YFSHO010)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)
评论