DPANet: Domain Pyramid Attention Network for Domain Generalization on Medical Image Segmentation in Connected Health
Notice bibliographique
Résumé
Connected health integrates sensors, mobile devices, and information technology to realize the real-time collection and transmission of medical data, providing patients with more personalized and efficient medical services. In this context, medical image segmentation technology plays a vital role as a key digital medicine tool in connected health. However, its effective deployment across diverse clinical settings and data sources remains challenging due to inherent variations in imaging modalities, patient demographics, and device characteristics. Currently, connected health requires highly efficient AI models for real-world medical applications. The versatility of the model across diverse environments is of great significance. Domain Generalization (DG) has emerged as a crucial solution to address these challenges of connected health. Previous work focuses on the domain similarity calculation on the final layer output of the backbone model, which ignores the impact of the multi-scale features. In this paper, we proposed a Domain Pyramid Attention Network (DPANet), which aims to transfer knowledge from source domains to unseen domains for medical image segmentation at a multi-scale level. The overarching goal is to enhance the efficiency of connected health systems through this innovative knowledge transfer mechanism. DPANet is capable of learning multi-scale similarity between two kinds of domains through a Domain Similarity Pyramid Attention Module (DSPAM). We also designed Domain Prototypes (DP), which can enhance the flexibility of the knowledge pre-extracted from source domains for better transferability. A simple fusion method is adopted to merge the multi-scale features for the final segmentation prediction. DPANet is evaluated on Brain Tumor segmentation and Retina Fundus segmentation tasks, achieving an average Dice improvement of 1.14% and 0.98% on these two tasks, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».