基于源自由主动域适应的 UWF-SLO 血管分割技术及新型多中心数据集
图像与视频处理
2024-06-21 v1 计算机视觉与模式识别
摘要
准确的超广视野扫描激光眼底图（UWF-SLO）血管分割对于诊断视网膜疾病至关重要。尽管最近的技术在血管分割方面取得了令人鼓舞的成果，但在不同医疗中心训练的模型常因域迁移问题而表现不佳。同时，对高分辨率 UWF-SLO 图像的手动标注过程具有挑战性、费时且昂贵。为此，本研究引入一种开创性框架，利用基于补丁的主动域适应方法。通过设计的级联不确定性-优势（CUP）选择策略主动推荐少量有价值的图像补丁进行标注和模型微调，我们的方法显著提高了跨不同医疗中心的 UWF-SLO 血管分割准确率。此外，我们注释并构建了首个多中心 UWF-SLO 血管分割（MU-VS）数据集，以推动该领域的研究。该数据集为跨中心评估提供了宝贵资源，验证了我们方法的有效性和鲁棒性。实验结果表明，我们的方法优于现有的域适应和主动学习方法，在最小化标注量的情况下显著缩小了上界与下界之间的差距，凸显了其在临床实践中的实际价值。我们将公开数据集和代码以促进相关研究：https://github.com/whq-xxh/SFADA-UWF-SLO。
引用
@article{arxiv.2406.13645,
title = {Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset},
author = {Hongqiu Wang and Xiangde Luo and Wu Chen and Qingqing Tang and Mei Xin and Qiong Wang and Lei Zhu},
journal= {arXiv preprint arXiv:2406.13645},
year = {2024}
}
备注
MICCAI 2024 Early Accept