本文内容只为星球内部成员学习和学术交流，请勿用作他用

论文信息

题目：Learning Robust Shape Regularization for Generalizable Medical Image Segmentation

学习鲁棒形状正则化以实现可泛化的医学图像分割

作者：Kecheng Chen, Tiexin Qin, Victor Ho-Fun Lee, Hong Yan, Haoliang Li

---

摘要

可泛化的医学图像分割使模型能够在领域偏移问题下泛化到未见的目标领域。最近进展表明，分割目标的形状因其在跨领域的高一致性和鲁棒性，可以作为可靠的正则化来帮助模型获得更好的跨领域性能，其中现有方法通常寻求一个共享框架来同时渲染分割图和形状先验。然而，由于现代深度神经网络固有的纹理和风格偏好，提取的形状的边缘或轮廓将不可避免地受到医学图像在领域偏移下的特定领域纹理和风格干扰的影响。为了解决这一局限性，作者设计了一个新颖的框架，将