基于熵不确定性引导的主动源自由域适应前列腺分割框架
计算机视觉与模式识别
2024-07-08 v2
摘要
深度学习模型在准确描绘前列腺方面显示出显著的效果，但在实现不同医疗中心之间的稳健泛化仍面临挑战。源自由域适应（SFDA）是一种有前景的技术，可在减少隐私和安全问题的同时降低源域与目标域之间的域移。然而，最近的文献表明，SFDA的性能距离满意的水平仍有很大距离，由于域差异难以预测。对少量目标域样本进行标注是可接受的，因为这可以在较低的标注成本下带来显著的性能提升。然而，由于标注预算极其有限，在选择标注样本时需要仔细考虑。在此基础上，我们的目标是为医学图像分割开发主动源自由域适应（ASFDA）。具体而言，我们提出一种新的不确定性引导的分层自训练（UGTST）框架，包括通过基于熵的主局部峰值过滤器聚合全局不确定性和多样性感知的冗余过滤器，结合分层自学习策略，以实现稳定的域适应。在跨中心前列腺MRI分割数据集上的实验结果表明，我们的方法在仅使用5%标注的情况下，相对于当前最先进的方法，在两个目标域上分别实现了平均Dice评分提升9.78%和7.58%，与完全监督学习相当。代码可在https://github.com/HiLab-git/UGTST获取。
引用
@article{arxiv.2407.02893,
title = {An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation in Prostate Segmentation},
author = {Zihao Luo and Xiangde Luo and Zijun Gao and Guotai Wang},
journal= {arXiv preprint arXiv:2407.02893},
year = {2024}
}
备注
11 pages, 3 figures, 2 tables, accept to MICCAI 2024