背景和目标。域移位是机器学习模型的泛化问题,当训练集的数据分布与模型部署时遇到的数据分布不同时发生的机器学习模型。由于实验条件,设备和捕获设置的方差,这在生物医学图像分段的背景下是常见的。在这项工作中,通过研究肿瘤球状体分割的神经风格转移算法和未配对的图像到图像转换方法来解决这一挑战。方法。我们已经在Spheroid Semonation的上下文中展示了具有4个深入学习分段模型的域移位问题,该模型在训练分布后的图像测试时实现了超过97%的IOU,但在应用于捕获的图像时,其性能下降到84 \%在不同的条件下。为了解决这个问题,我们已经探索了3种风格传输算法(NST,深图象类比和光刻),以及6个未配对的图像到图像转换算法(Compygan,Dualgan,Forkgan,Ganilla,Cut和FastCut) 。这些算法已集成到高级API中,其促进其应用于发生域移位问题的其他上下文。结果。当应用于在不同条件下捕获的图像通过使用样式传输和图像到图像转换算法时,我们大大提高了4分段模型的性能。特别是,有2个样式传输算法(NST和深图谱)和1个未配对的图像到图像转换算法(Cyclegan),可在0.24至76.07的范围内改善模型的IOO。因此,在训练分布之后应用于使用模型获得的类似的性能。
translated by 谷歌翻译