Complex Style Image Transformations for Domain Generalization in Medical Images

医疗计算机视觉领域缺乏结构良好的大型数据集，导致自动化系统和尤其是深度学习模型的性能下降。域泛化技术旨在从单个数据源接近未知领域。本文介绍了一种名为CompStyle的新框架，它利用了风格转移和对抗训练，以及高级输入复杂性增强来有效扩展域空间并解决未知分布问题。目前最先进的风格转移方法依赖于源数据集中的子域存在。然而，这可能会导致图像创建中固有的数据集偏差。输入级别的增强可以通过扩大源数据集中的域空间并提高在域外分布上的性能来解决这个问题。我们提供了在前列腺数据的语义分割和心脏数据的损坏鲁棒性方面的实验结果，证明了我们方法的有效性。我们的方法在两个任务中都提高了性能，而不需要额外的培训时间或资源成本。

本文旨在解决医疗计算机视觉领域中缺乏结构化大型数据集的问题，提出了一种名为CompStyle的新框架，旨在通过样式转移和对抗性训练以及高级输入复杂性增强来扩展领域空间并解决未知分布的问题。

CompStyle框架利用样式转移和对抗性训练以及高级输入复杂性增强来扩展领域空间并解决未知分布的问题，提高了语义分割和数据的抗干扰性能。

本文提出的CompStyle框架能够扩展领域空间并解决未知分布的问题，提高了语义分割和数据的抗干扰性能。实验结果表明，该方法在两个任务中均提高了性能，而没有增加训练时间或资源成本。

最近的相关研究包括使用领域自适应和迁移学习的方法来解决医疗计算机视觉领域中的数据偏差问题，例如《Unsupervised Domain Adaptation for Medical Imaging Segmentation with Self-Ensembling》和《Domain Generalization for Medical Imaging Segmentation with Convolutional Neural Networks》。