ACT：基于非对称协同训练的自适应半监督域医学图像分割
计算机视觉与模式识别
2022-09-27 v3
摘要
无监督域适应（UDA）已被广泛探索以缓解源域与目标域间的域偏移，其借助有标签源域的监督，将性能良好的模型应用于无标签目标域。然而，近期文献指出，在存在显著域偏移时性能仍远不能令人满意。尽管如此，由于性能增益可观，勾画少量目标样本通常是可行且特别值得的。受此启发，我们旨在开发用于医学图像分割的半监督域适应（SSDA），该方向很大程度上未被充分探索。因此，我们提出以统一方式利用有标签源域与目标域数据，以及无标签目标数据。具体地，我们提出一种新颖的非对称协同训练（ACT）框架来整合这些子集并避免源域数据的主导。遵循分而治之策略，我们将 SSDA 中的标签监督显式解耦为两个非对称子任务，包括半监督学习（SSL）与 UDA，并利用两个分割器的不同知识以考量源域与目标域标签监督间的差异。两模块中学到的知识随后通过基于置信度感知伪标签的迭代互教，由 ACT 自适应整合。此外，伪标签噪声通过指数 MixUp 衰减方案得到良好控制以实现平滑传播。在 BraTS18 数据库上的跨模态脑肿瘤 MRI 分割任务实验表明，即便仅有有限的有标签目标样本，ACT 也较 UDA 与 SOTA SSDA 方法取得显著改进，并接近有监督联合训练的“上界”。
引用
@article{arxiv.2206.02288,
title = {ACT: Semi-supervised Domain-adaptive Medical Image Segmentation with Asymmetric Co-training},
author = {Xiaofeng Liu and Fangxu Xing and Nadya Shusharina and Ruth Lim and C-C Jay Kuo and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2206.02288},
year = {2022}
}
备注
MICCAI 2022 (early accept)