
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于测试时神经风格迁移的医学图像域偏移协调方法
《Scientific Reports》:Test-time neural style transfer for domain harmonization, with application to cone detection in adaptive optics retinal imaging
【字体: 大 中 小 】 时间:2026年10月09日 来源:Scientific Reports 4.9
编辑推荐:
摘要域偏移是使用深度学习(DL)进行医学图像分析中公认的挑战,其中采集设备、操作人员和患者群体的差异会限制模型的泛化能力。自适应光学扫描激光眼底成像(AOSLO)就是这一问题的典型示例,因为不同采集之间的图像外观变化可能影响下游定量分析。在本工作中,我们将神经风格迁移重新用作
域偏移是使用深度学习(DL)进行医学图像分析中公认的挑战,其中采集设备、操作人员和患者群体的差异会限制模型的泛化能力。自适应光学扫描激光眼底成像(AOSLO)就是这一问题的典型示例,因为不同采集之间的图像外观变化可能影响下游定量分析。在本工作中,我们将神经风格迁移重新用作一种测试时增强策略(TT-NST),以在无需模型重新训练的情况下协调训练域与目标域之间的图像外观。我们的NST方法具有模型无关性,可应用于标准深度学习架构。我们使用成熟的DL锥体细胞检测器(多维循环神经网络)在三个数据集上评估了有无TT-NST的性能表现,这三个数据集分别涵盖远域、近域和域内成像条件。TT-NST显著提高了远域数据集上的平均Dice分数,从0.43提升至0.72,主要通过提高召回率(从0.34提升至0.75),同时精确率仅略有下降(从0.91降至0.71)。在近域数据集上观察到较为温和的性能提升,而在域内数据集上性能略有下降,这在测试图像与训练分布匹配的情况下属于预期结果。与替代的测试时增强方法相比,TT-NST在远域数据上取得了最高的平均Dice分数。这些结果表明,TT-NST是一种无需标注的域协调策略,具有在域偏移条件下提升医学图像分析任务鲁棒性的潜力。