通过深度堆叠变换将医学图像分割的深度学习推广到未知领域

最近在医学图像分割方面深度学习的进展表明了专家级的精确度。然而，在临床现实环境中应用这些模型会导致较差的泛化能力和精度下降，主要是由于不同医院、扫描仪制造商、成像协议和患者人群等之间的领域转移。提出了常见的迁移学习和领域适应技术来解决这一瓶颈。然而，这些解决方案需要来自目标领域的数据（和注释）来重新训练模型，因此在广泛部署模型的实践中具有限制性。理想情况下，我们希望拥有一个经过训练（锁定）的模型，可以在未知领域中均匀良好工作，而无需进一步训练。在本文中，我们提出了一种用于领域泛化的深度堆叠变换方法。具体而言，在网络训练过程中对每个图像应用一系列 n 个堆叠变换。其基本假设是，“预期”的领域转移可以通过对单一源领域应用广泛的数据增强来模拟，因此，在增强后的“巨型”数据（BigAug）上训练的深度模型可以在未知领域中良好泛化。我们利用四个出人意料的有效但以前未研究的基于图像的特征进行数据增强，以克服领域泛化问题。我们在三个不同的 3D 分割任务（前列腺、左心房、左心室）上训练和评估了 BigAug 模型（n=9 变换），涵盖两种医学成像模式（MRI 和超声），涉及八个公开可用的挑战数据集。结果表明，当在来自单一源领域的相对较小数据集上训练时（n = 10~32 个体积，取决于可用数据集的大小）：(i) BigAug 模型从源领域到未知领域的平均降级为 11%（Dice 分数变化），明显优于传统增强（降级 39%）和基于 CycleGAN 的领域适应方法（降级 25%）；(ii) BigAug 在未知领域优于“较浅”的堆叠变换（即那些变换较少的变换），并对源领域的传统增强表现出适度的改善；(iii) 在一个源领域用 BigAug 训练后，未知领域上的性能与在该领域从头开始训练模型时使用相同数量的训练样本相似。当使用 BigAug 在大数据集（n = 465 个体积）上训练时，(iv) 对未知领域的应用达到了在其源领域训练和测试的最先进完全监督模型的性能。这些发现为医学成像中的领域泛化研究建立了一个强有力的基准，并可以推广到临床部署的高度稳健深度分割模型的设计。