AIF-SFDA: 自主信息滤波器驱动的无源域自适应医学图像分割
计算机视觉与模式识别
2025-01-07 v1
摘要
解耦域变异信息（DVI）与域不变信息（DII）是缓解深度学习算法实际应用中域偏移的重要策略。然而，在医疗场景中，数据收集和隐私方面的担忧往往限制了对训练数据和测试数据的访问，阻碍了现有方法对信息进行经验性解耦。为解决这一问题，我们提出了一种自主信息滤波器驱动的无源域自适应（AIF-SFDA）算法，该算法利用基于频率的可学习信息滤波器自主解耦DVI和DII。引入信息瓶颈（IB）和自监督（SS）来优化可学习频率滤波器。IB控制滤波器内的信息流以减少冗余的DVI，而SS则根据特定任务和图像模态保留DII。因此，自主信息滤波器可以仅依赖目标数据克服域偏移。通过一系列涵盖多种医学图像模态和分割任务的实验，与领先算法的比较和消融研究证明了AIF-SFDA的优势。代码可在 https://github.com/JingHuaMan/AIF-SFDA 获取。
引用
@article{arxiv.2501.03074,
title = {AIF-SFDA: Autonomous Information Filter-driven Source-Free Domain Adaptation for Medical Image Segmentation},
author = {Haojin Li and Heng Li and Jianyu Chen and Rihan Zhong and Ke Niu and Huazhu Fu and Jiang Liu},
journal= {arXiv preprint arXiv:2501.03074},
year = {2025}
}
备注
9 pages total (7 pages main text, 2 pages references), 6 figures, accepted by AAAI 2025