面向跨域数据半监督左心房分割的自适应分层双重一致性
图像与视频处理
2021-09-21 v2 计算机视觉与模式识别
机器学习
摘要
半监督学习在标注数据不足的左心房（LA）分割模型学习中具有重要意义。将半监督学习推广到跨域数据对于进一步提升模型鲁棒性至关重要。然而，不同数据域之间广泛存在的分布差异与样本不匹配阻碍了半监督学习的推广。在本研究中，我们通过提出一种自适应分层双重一致性（AHDC）方法来缓解这些问题，用于跨域数据的半监督左心房分割。AHDC 主要由双向对抗推断模块（BAI）和分层双重一致性学习模块（HDC）组成。BAI 克服了两个不同域之间的分布差异与样本不匹配，主要通过对抗学习两个映射网络，经相互自适应获得两个匹配域。HDC 基于所获得的匹配域，研究了一种用于跨域半监督分割的分层双重学习范式，主要构建两个双重建模网络以挖掘域内与域间的互补信息。对于域内学习，对双重建模目标施加一致性约束以利用互补建模信息；对于域间学习，对由两个双重建模网络建模的左心房施加一致性约束以利用不同数据域间的互补知识。我们在来自不同中心的四个 3D 晚期钆增强心脏 MR（LGE-CMR）数据集和一个 3D CT 数据集上验证了所提 AHDC 的性能。与其他最先进（state-of-the-art）方法相比，我们的 AHDC 取得了更高的分割精度，表明其在跨域半监督左心房分割中的能力。
引用
@article{arxiv.2109.08311,
title = {Adaptive Hierarchical Dual Consistency for Semi-Supervised Left Atrium Segmentation on Cross-Domain Data},
author = {Jun Chen and Heye Zhang and Raad Mohiaddin and Tom Wong and David Firmin and Jennifer Keegan and Guang Yang},
journal= {arXiv preprint arXiv:2109.08311},
year = {2021}
}