4、医学图像分割的前沿技术：C2SDG与TAB模型解析

医学图像分割的前沿技术：C2SDG与TAB模型解析

在医学图像分割领域，一直存在着诸多挑战，如单域泛化问题以及标注偏差问题。为了解决这些问题，研究人员提出了C2SDG和TAB两种创新模型，下面将详细介绍这两种模型的原理、方法和实验结果。

C2SDG：对比单域泛化医学图像分割模型

主要贡献

C2SDG模型有三个主要贡献：
1. 为单域泛化（SDG）提出了一种新颖的对比视角，仅使用单域数据就能实现对比特征解纠缠。
2. 明确地按通道分离风格表示和结构表示，并减少对风格敏感的“魔鬼”通道的影响。
3. 在联合OC/OD分割基准上，C2SDG优于基线和六种最先进的SDG方法。

方法概述

• 问题定义 ：设源域为$D_s = {x_s^i, y_s^i } {i = 1}^{N_s}$，其中$x_s^i$是第$i$个源域图像，$y_s^i$是其分割掩码。目标是在$D_s$上训练一个分割模型$F_θ : x → y$，使其能很好地泛化到未见过的目标域$D_t = {x_t^i} {i = 1}^{N_t}$。
• 模型组成 ：C2SDG主要由分割主干网络、风格增强（StyleAug）模块和对比特征解纠缠（CFD）模块组成。
  • StyleAug模块 ：为每个源域图像$x_s$生成风格增强的对应图像$x_a$，它们具有相同的结构但不同的风格。
  • CFD模块 ：对$