经典跨模态医学图像分割论文分享 DN GM-Guided-DG

经典跨模态医学图像分割论文分享 DN GM-Guided-DG

1、背景介绍

跨模态医学图像分割是医学图像分析领域中的一个重要研究方向，主要针对在不同成像模态（如CT、MRI、PET等）下对医学图像进行自动分割的问题。不同的医学成像技术提供了不同的组织或病变信息，由于这些成像技术各自的优缺点，医疗诊断通常需要结合多种模态的图像进行综合分析。

跨模态图像分割存在着模态间差异，标注数据的稀缺，数据分布不一致等挑战，研究人员提出了多种技术和方法，以推动该领域的发展。这些技术不仅提升了模型的鲁棒性和泛化能力，也为实际临床应用提供了重要支撑。下面给大家介绍两篇思路新颖的论文，帮助大家结合论文想出新的创新点。

2、论文分享

2.1 DN

Generalizable Cross-modality Medical Image Segmentation via Style Augmentation and Dual Normalization

2.1.1 论文地址

论文地址：https://arxiv.org/abs/2112.11177

模型地址：https://github.com/zzzqzhou/Dual-Normalization

2.1.2 创新点

风格增强：为了模拟在未见目标域中可能出现的外观变化，作者首先利用Bezie曲线的非线性变换来增强源数据，生成了源相似和源不相似的两种不同风格的图像图像。

**双归一化模型：**提出了一个基于双归一化的模型，使用共享的骨干网络但独立的批归一化层来进行单独归一化，即源相似和源不相似图片使用两种不同的归一化参数。对目标数据进行分类，使用分类结果的归一化参数对目标数据进行处理

2.1.3 方法介绍

1. 输入图像的预处理

首先，输入到模型的医学图像可以来自不同的模态（如CT、MRI等）。为了减小不同模态之间的视觉差异，模型通过基本的预处理步骤，如归一化、尺寸调整等，确保图像数据在输入到网络之前处于一致的格式。

2. 风格增强（St