读论文《Enhancing Cross-Modal Medical Image Segmentation through Compositionality》

论文题目：利用组合性增强跨模态医学图像分割

时间 ：21 Aug 2024

论文地址：2408.11733v1 (arxiv.org)

项目地址：GitHub - Trustworthy-AI-UU-NKI/Cross-Modal-Segmentation

论文提出了一种新的跨模态医学图像分割框架，通过引入组合性（compositionality）作为归纳偏置（inductive bias），旨在提高分割性能和可解释性，同时降低计算复杂性。

摘要（Abstract）

跨模态医学图像分割是一个挑战，因为不同的成像方式会产生分辨率、对比度和解剖结构的不同表现。本文介绍了一种新的跨模态分割网络，该网络通过使用可学习的 von Mises-Fisher 核来强化学习到的表示的组合性。这些核有助于内容-风格解耦，得到的组合性内容表示在本质上是可解释的，并且有效地分离了不同的解剖结构。实验结果表明，在多个医学数据集上，与现有方法相比，所提出的方法在分割性能上有所提高，并且降低了计算成本。

方法（Methodology）

论文的目标是开发一个模型，使用来自源域（例如 CT）的图像和相应的标签来分割目标域（例如 MRI）的图像。所提出的框架是一个端到端的跨模态分割框架，它使用可学习的 von Mises-Fisher（vMF）核来强制执行学习到的表示的组合性。