一种切比雪夫置信引导的无源域自适应框架用于医学图像分割
计算机视觉与模式识别
2023-10-30 v1
摘要
无源域自适应（SFDA）旨在无需访问源数据的情况下，将标注源域上训练的模型适配到无标注目标域。在医学影像场景中，由于隐私问题，SFDA方法的实际意义得到重视。近期最先进的SFDA方法主要依赖基于伪标签（PLs）的自训练。遗憾的是，PLs受域偏移引起的精度退化影响，从而限制了自适应过程的有效性。为解决此问题，我们提出一种切比雪夫置信引导的SFDA框架，以准确评估PLs的可靠性并生成用于自训练的自改进PLs。切比雪夫置信通过给定预测及相应不确定性计算PL置信的概率下界来估计。利用切比雪夫置信，我们引入两种置信引导去噪方法：直接去噪与原型去噪。此外，我们提出一种新颖的师生联合训练方案（TJTS），其包含置信加权模块以迭代改进PLs。TJTS与去噪方法协作，有效防止噪声传播并提升PLs准确性。在多域场景中的大量实验验证了我们所提框架的有效性，并确立了其相对于最先进SFDA方法的优越性。我们的论文通过提供精确估计伪标签可靠性的新途径以及获取高质量PLs的框架，提升了SFDA领域的性能，从而改善了自适应表现。
引用
@article{arxiv.2310.18087,
title = {A Chebyshev Confidence Guided Source-Free Domain Adaptation Framework for Medical Image Segmentation},
author = {Jiesi Hu and Yanwu Yang and Xutao Guo and Jinghua Wang and Ting Ma},
journal= {arXiv preprint arXiv:2310.18087},
year = {2023}
}