在医学影像中，深度学习模型的临床应用需要具备强大的性能表现，而影响模型泛化能力的一个重要因素便是强度归一化，尤其是在磁共振成像（MRI）中，图像强度因扫描仪和协议而异。本研究系统比较了七种强度归一化方法及其对3D U-Net模型在膝关节半月板分割性能的影响。这些方法包括标准缩放方法、基于直方图的技术和基于高斯混合模型（GMM）的方法。模型在 IWOAI 2019 数据集上进行训练，并在内部和外部测试集（SKM-TEA）上进行评估，以检查模型的泛化能力。内部测试的性能相似，但在外部数据上差异显著，Z-score、Nyul 直方图匹配和 CLAHE 显示出比其他方法更强的鲁棒性。然而，与数据集之间显著的性能下降相比，这些差异相对较小。总体而言，虽然强度归一化对模型的泛化能力有一定影响，但相对于领域迁移的影响，其作用有限，强调了需要采用补充策略以实现稳健的部署。
博主点评： 本研究揭示了强度归一化在医疗图像深度学习中的重要性，尤其是在不同数据源间的泛化能力中。尽管归一化方法的选择对模型性能有影响，但数据集之间的域迁移问题显然更为关键，这为未来的研究指明了方向。