适配现成源域分割器用于目标医学图像分割
计算机视觉与模式识别
2021-06-24 v1 人工智能
机器学习
摘要
无监督域适应（UDA）旨在将在一个有标签源域中学到的知识迁移到一个无标签且未见过目标域，其通常在来自两个域的数据上训练。然而，由于数据存储或隐私问题，在适应阶段对源域数据的访问常常受限。为缓解此问题，本工作中我们面向分割任务的无源 UDA，并提出将一个在源域预训练的“现成”分割模型通过自适应批归一化统计量适应框架适配到目标域。具体而言，域特定的低阶批统计量（即均值和方差）通过指数动量衰减方案逐步适应，而域可共享的高阶批统计量（即缩放和偏移参数）的一致性由我们的优化目标显式强制。首先自适应地度量每个通道的可迁移性，并据此平衡各通道的贡献。此外，所提出的无源 UDA 框架与无监督学习方法（例如自熵最小化）正交，因此可简单地叠加于我们的框架之上。在 BraTS 2018 数据库上的大量实验表明，对于跨亚型 UDA 分割任务，我们的无源 UDA 框架优于现有的源松弛 UDA 方法；与利用源数据的有监督 UDA 方法相比，在跨模态 UDA 分割任务上取得了相当的结果。
引用
@article{arxiv.2106.12497,
title = {Adapting Off-the-Shelf Source Segmenter for Target Medical Image Segmentation},
author = {Xiaofeng Liu and Fangxu Xing and Chao Yang and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2106.12497},
year = {2021}
}
备注
To appear in MICCAI 2021