用于医学影像领域通用化的元学习框架

美国宾夕法尼亚州宾夕法尼亚大学放射学系宾夕法尼亚大学图像计算和科学实验室

深度学习模型在目标（测试）数据域上进行测试时表现最佳，这些目标数据域的分布与源（训练）域的集合相似。但是，当目标域和源域之间的基础统计数据存在显着差异时，可能会妨碍模型泛化。在这项工作中，我们将基于模型不可知的元学习框架的领域概括方法应用于生物医学成像。该方法学习与领域无关的特征表示，以提高模型对不可见测试分布的通用性。该方法可用于任何成像任务，因为它不依赖于基础模型体系结构。我们通过对三个数据集的健康和病理病例进行计算机断层扫描（CT）椎骨分割任务来验证该方法。接下来，我们采用少量学习的方法，即使用来自看不见领域的极少数示例训练通用模型，以使模型快速适应新的看不见的数据分布。我们的结果表明，该方法可以帮助概括不同医学中心，图像采集协议，解剖结构，给定扫描中的不同区域，不同成像方式的健康人群和患病人群的模型。

mldg-seg文件夹包括用于过程和实验的所有PyTorch代码的主目录

后处理文件夹包含用于推理，计算评估指标，统计信息，保留最大的已连接组件和tsne图的代码

有关CT椎骨分割的全面概述，请查看MSc论文：由Pulkit Khandelwal使用几何流和形状先验在计算机断层扫描图像中进行脊柱分割，并由麦吉尔大学的Kaleem Siddiqi教授和D. Louis Collins教授进行监督。

@misc {kh2020domain，title = {域通用器：用于医学成像领域通用化的少量快照元学习框架}，作者= {Pulkit Khandelwal和Paul Yushkevich}，年份= {2020}，eprint = {2008.07724}，archivePrefix = {arXiv}，primaryClass = {cs.CV}}