[论文解读] A Survey on Domain Generalization for Medical Image Analysis

Ziwei Niu, Shuyi Ouyang+3 more|arXiv (Cornell University)|Feb 7, 2024

AI in cancer detection被引用 4

一句话总结

本综述全面回顾了医学图像分析中领域泛化（DG）方法，解决了不同机构、成像模态和扫描序列之间的领域偏移问题。它按数据、特征和模型三个层次对现有方法进行分类，详细介绍了关键算法、基准数据集，并指出了未来研究方向，相关资源已发布于公共GitHub仓库。

ABSTRACT

Medical Image Analysis (MedIA) has emerged as a crucial tool in computer-aided diagnosis systems, particularly with the advancement of deep learning (DL) in recent years. However, well-trained deep models often experience significant performance degradation when deployed in different medical sites, modalities, and sequences, known as a domain shift issue. In light of this, Domain Generalization (DG) for MedIA aims to address the domain shift challenge by generalizing effectively and performing robustly across unknown data distributions. This paper presents the a comprehensive review of substantial developments in this area. First, we provide a formal definition of domain shift and domain generalization in medical field, and discuss several related settings. Subsequently, we summarize the recent methods from three viewpoints: data manipulation level, feature representation level, and model training level, and present some algorithms in detail for each viewpoints. Furthermore, we introduce the commonly used datasets. Finally, we summarize existing literature and present some potential research topics for the future. For this survey, we also created a GitHub project by collecting the supporting resources, at the link: https://github.com/Ziwei-Niu/DG_for_MedIA

研究动机与目标

• 解决医学图像分析中的领域偏移挑战，即深度学习模型在不同临床机构、成像模态或扫描序列间部署时性能下降的问题。
• 系统性地将近期医学图像领域的领域泛化技术按三个层次进行分类与分析：数据处理、特征表示和模型训练。
• 在每个层次上提供代表性算法的详细概述，以指导研究人员选择和开发稳健的DG方法。
• 整理并总结常用于领域泛化研究的医学影像数据集。
• 识别当前开放挑战，并提出推动临床AI系统泛化能力发展的有前景的未来研究方向。

提出的方法

• 在医学图像分析背景下，明确定义领域偏移与领域泛化，区分领域不变学习与领域特定学习设置。
• 将DG方法分为三类：数据级（如数据增强、领域自适应）、特征级（如领域不变表示学习）和模型级（如元学习、自监督训练）。
• 在每个类别下详细描述关键算法，如领域对抗训练、分布对齐以及元优化策略。
• 回顾用于医学图像DG研究的基准数据集，包括其领域、模态和临床应用场景。
• 通过对比分析性能与泛化能力，评估各类方法的优缺点。
• 建立公共GitHub仓库，汇集精选资源、代码链接和数据集，以支持可复现性与进一步研究。

实验结果

研究问题

• RQ1 在不同临床环境和成像协议下，领域偏移问题在医学图像分析中如何表现？
• RQ2 医学图像领域泛化的关键方法类别是什么？它们在设计与性能上如何不同？
• RQ3 哪些算法与技术在提升医学图像中模型对未知领域的泛化能力方面表现最为突出？
• RQ4 用于评估医学图像分析领域泛化能力的标准数据集有哪些？它们如何反映真实临床中的变异性？
• RQ5 医学图像分析领域泛化中最具紧迫性的开放挑战与未来研究方向是什么？

主要发现

• 领域泛化对于在数据分布因机构和扫描协议而显著不同的真实临床环境中部署深度学习模型至关重要。
• 数据级方法（如领域增强和风格迁移）通过在训练期间模拟领域差异，有效提升了模型的鲁棒性。
• 特征级方法（如领域不变表示学习和分布对齐）通过最小化学习特征中的领域特异性偏差，实现了优异性能。
• 模型级策略（如元学习和自监督预训练）在对未见领域的零样本泛化方面表现出色。
• 本综述指出，现有研究在基准标准与评估协议方面缺乏统一性，凸显了构建统一评估框架的迫切需求。
• 作者的公共GitHub仓库汇聚了关键资源，包括数据集、代码和模型，有助于加速该领域的研究与可复现性。