[论文解读] Domain Generalization for Medical Image Analysis: A Review

Jee Seok Yoon, Kwanseok Oh+3 more|arXiv (Cornell University)|Oct 5, 2023

AI in cancer detection被引用 4

一句话总结

本文对医学图像分析（MedIA）中的领域自适应（DG）技术进行了全面综述，将方法分类为数据级、特征级、模型级和分析级方法。强调在整个MedIA工作流程中整合DG技术——从数据获取到模型解释——并指出数据异质性、标注有限和模型鲁棒性等挑战，呼吁建立标准化基准以提升可复现性与精准医疗中的实际应用价值。

ABSTRACT

Medical image analysis (MedIA) has become an essential tool in medicine and healthcare, aiding in disease diagnosis, prognosis, and treatment planning, and recent successes in deep learning (DL) have made significant contributions to its advances. However, deploying DL models for MedIA in real-world situations remains challenging due to their failure to generalize across the distributional gap between training and testing samples - a problem known as domain shift. Researchers have dedicated their efforts to developing various DL methods to adapt and perform robustly on unknown and out-of-distribution (OOD) data distributions. This article comprehensively reviews domain generalization (DG) studies specifically tailored for MedIA. We provide a holistic view of how DG techniques interact within the broader MedIA system, going beyond methodologies to consider the operational implications on the entire MedIA workflow. Specifically, we categorize DG methods into data-level, feature-level, model-level, and analysis-level methods. We show how those methods can be used in various stages of the MedIA workflow with DL equipped from data acquisition to model prediction and analysis. Furthermore, we critically analyze the strengths and weaknesses of various methods, unveiling future research opportunities.

研究动机与目标

• 为解决医学图像分析中因扫描仪、协议或机构差异导致的数据分布变化（即领域偏移）所引发的关键挑战。
• 提供一个整体视角，展示领域自适应技术如何贯穿医学图像分析全流程，从数据获取到临床决策。
• 批判性评估现有MedIA中的DG方法，识别其在工作流各阶段的优势、局限性及实际应用影响。
• 倡导开发标准化、多样化的基准数据集，以真实反映医学影像的变异性，实现对DG方法的公平且严格的评估。
• 指导研究人员和从业者根据特定临床任务、数据可及性及可解释性需求，选择并应用合适的DG策略。

提出的方法

• 将领域自适应技术划分为四类：数据级（如基于频率的预处理、数据增强）、特征级（如领域对齐、解耦）、模型级（如学习策略、优化方法）和分析级（如因果推断、可解释性）。
• 提出一种工作流程集成框架，使DG技术在MedIA的每个阶段（数据获取、图像重建、特征提取、下游预测与分析）中得以应用。
• 引入决策支持图（图4），根据数据可及性、目标领域访问情况及任务特定需求（如可解释性或鲁棒性）指导方法选择。
• 综述最先进方法，包括领域不变表示学习、领域解耦以及在低资源DG场景下适用的自监督模型（如Segment Anything Model, SAM）。
• 强调利用因果推断与可解释AI提升模型在临床部署中的鲁棒性与可信度。
• 突出基于频率的预处理与数据增强在缓解由扫描仪与协议差异引起的分布偏移方面的重要性。

实验结果

研究问题

• RQ1 如何系统性地将领域自适应技术整合到从数据获取到临床解释的整个医学图像分析工作流程中？
• RQ2 在真实医学影像场景中，数据级、特征级、模型级与分析级领域自适应方法的相对优势与局限性是什么？
• RQ3 数据稀缺、成像协议多样性及患者人群异质性等因素如何影响深度学习模型在MedIA中的性能与泛化能力？
• RQ4 在MedIA中评估领域自适应方法的主要挑战是什么？标准化基准数据集如何提升可复现性与公平比较？
• RQ5 在有限标注数据或无法访问目标领域数据的限制下，针对特定临床任务（如分割或诊断），哪种领域自适应策略最为有效？

主要发现

• 领域自适应对于提升深度学习模型在医学图像分析中的鲁棒性至关重要，尤其是在跨不同扫描仪、协议或机构部署时。
• 数据级技术（如基于频率的预处理与数据增强）能有效减轻由成像伪影与硬件差异引起的领域偏移。
• 特征级方法（如领域对齐与解耦）有助于学习跨领域的不变表示，从而在无需目标领域数据的情况下提升模型泛化能力。
• 模型级方法（如专用学习策略与优化技术）通过在多个源领域上训练时增强鲁棒性，提升泛化性能。
• 分析级方法（如因果推断与可解释AI）可提升模型在高风险临床决策场景中的可信度与安全性。
• 缺乏标准化基准数据集限制了可复现性与公平评估；未来工作必须优先构建多样化、多中心、多模态的数据集，以实现对DG方法的严谨比较。