TACIT: Task-Aware Counterfactual Image Translation for Medical Domain Generalization

一句话总结
对抗真实感和循环重建都无法检验一张合成的医学图像是否保留了原标签、是否真的到达了目标域;TACIT 冻结考虑信息泄漏的任务验证器和域验证器,用它们引导反事实渲染器,并只保留两个验证器都认可的图像,在跨医院的 Camelyon17-WILDS 病理基准上达到 96.04% 的留出测试准确率。
摘要
基于 AI 的医学图像分析模型在采集协议、扫描设备、染色或临床中心发生变化时,性能常常下降。合成跨域增强可能缓解这种下降,但一张增强图像只有在既保留源任务语义、又符合所要求的目标域外观时,才能作为有标签数据使用。对抗真实感、循环重建等标准翻译目标并不直接检验这两个性质。为弥补这一空白,我们提出 TACIT,一个面向“先审核”医学增强的任务感知反事实图像翻译(Task-Aware Counterfactual Image Translation)框架。TACIT 首先训练考虑信息泄漏的任务验证器和域验证器,选择泄漏低的检查点,并冻结选中的验证器。冻结的验证器通过任务保持损失和域到达损失监督一个从源图像出发的渲染器,所用的目标风格来自同标签的任务条件码本或参考图像。渲染器生成的候选图像,只有在冻结的验证器同时预测源标签得以保持、并已到达所要求的目标域时,才会加入下游训练。我们在跨医院的 Camelyon17-WILDS 病理基准上评估 TACIT,并在 PI-CAI 上额外做了全前列腺 MRI 的下游评估。多随机种子的交叉验证器审核表明,任务保持损失、域到达损失和同标签路由分别应对互补的失效模式。在下游的分布外分类中,经验证器筛选的 TACIT 在 Camelyon17-WILDS 上达到 96.04±0.40% 的留出测试准确率,与强有力的域泛化基线相当。这些结果支持从任务有效性和域有效性两方面、而不仅仅从视觉可信度来评估合成医学增强。