Image normalization is a building block in medical image analysis. Conventional approaches are customarily utilized on a per-dataset basis. This strategy, however, prevents the current normalization algorithms from fully exploiting the complex joint information available across multiple datasets. Consequently, ignoring such joint information has a direct impact on the performance of segmentation algorithms. This paper proposes to revisit the conventional image normalization approach by instead learning a common normalizing function across multiple datasets. Jointly normalizing multiple datasets is shown to yield consistent normalized images as well as an improved image segmentation. To do so, a fully automated adversarial and task-driven normalization approach is employed as it facilitates the training of realistic and interpretable images while keeping performance on-par with the state-of-the-art. The adversarial training of our network aims at finding the optimal transfer function to improve both the segmentation accuracy and the generation of realistic images. We evaluated the performance of our normalizer on both infant and adult brains images from the iSEG, MRBrainS and ABIDE datasets. Results reveal the potential of our normalization approach for segmentation, with Dice improvements of up to 57.5% over our baseline. Our method can also enhance data availability by increasing the number of samples available when learning from multiple imaging domains.

中文翻译：

---

多域分割的真实图像归一化

图像归一化是医学图像分析中的一个组成部分。传统方法通常基于每个数据集使用。然而，这种策略阻止了当前的归一化算法充分利用跨多个数据集可用的复杂联合信息。因此，忽略这些联合信息对分割算法的性能有直接影响。本文建议通过学习跨多个数据集的通用归一化函数来重新审视传统的图像归一化方法。联合归一化多个数据集被证明可以产生一致的归一化图像以及改进的图像分割。为此，采用完全自动化的对抗性和任务驱动的归一化方法，因为它有助于训练逼真和可解释的图像，同时保持性能与最先进的技术水平相当。我们网络的对抗训练旨在找到最佳传递函数，以提高分割精度和生成逼真图像。我们在来自 iSEG、MRBrainS 和 ABIDE 数据集的婴儿和成人大脑图像上评估了我们的归一化器的性能。结果揭示了我们的分割标准化方法的潜力，与我们的基线相比，Dice 改进高达 57.5%。我们的方法还可以通过增加从多个成像域学习时可用的样本数量来提高数据可用性。我们网络的对抗训练旨在找到最佳传递函数，以提高分割精度和生成逼真图像。我们在来自 iSEG、MRBrainS 和 ABIDE 数据集的婴儿和成人大脑图像上评估了我们的归一化器的性能。结果揭示了我们的分割标准化方法的潜力，与我们的基线相比，Dice 改进高达 57.5%。我们的方法还可以通过增加从多个成像域学习时可用的样本数量来提高数据可用性。我们网络的对抗训练旨在找到最佳传递函数，以提高分割精度和生成逼真图像。我们在来自 iSEG、MRBrainS 和 ABIDE 数据集的婴儿和成人大脑图像上评估了我们的归一化器的性能。结果揭示了我们的分割标准化方法的潜力，与我们的基线相比，Dice 改进高达 57.5%。我们的方法还可以通过增加从多个成像域学习时可用的样本数量来提高数据可用性。结果揭示了我们的分割标准化方法的潜力，与我们的基线相比，Dice 改进高达 57.5%。我们的方法还可以通过增加从多个成像域学习时可用的样本数量来提高数据可用性。结果揭示了我们的分割标准化方法的潜力，与我们的基线相比，Dice 改进高达 57.5%。我们的方法还可以通过增加从多个成像域学习时可用的样本数量来提高数据可用性。