MRI分割中域偏移对U-Net各层影响的剖析
计算机视觉与模式识别
2021-07-13 v1 机器学习
图像与视频处理
摘要
域适应（Domain Adaptation, DA）方法被广泛用于医学图像分割任务，以解决训练（源）数据与测试（目标）数据分布不同的问题。我们考虑具有少量目标域标注样本的监督域适应任务，这对应于最相关的临床场景之一：在尽可能少的标注数据上构建足够准确的模型。现有方法大多对预训练卷积神经网络（Convolutional Neural Network, CNN）的特定层进行微调。然而，对于哪些层更适合微调尚无共识，例如对于具有低级域偏移的图像微调前几层，或对于具有高级域偏移的图像微调更深层。为此，我们提出SpotTUnet——一种自动选择应最优微调层的CNN架构。更具体地说，在目标域上，我们的方法额外学习一个策略，指示特定层应当被微调还是从预训练网络中复用。我们表明，即使在标注数据极度匮乏的情况下，我们的方法也能达到非灵活微调方法中最佳方法的同等水平。其次，我们表明SpotTUnet策略提供了域偏移对网络影响的逐层可视化，可进一步用于开发鲁棒的域泛化方法。为了广泛评估SpotTUnet性能，我们使用公开可用的脑MR图像数据集（CC359），其具有显式的域偏移。我们发布了可复现的实验流程。
引用
@article{arxiv.2107.04914,
title = {Anatomy of Domain Shift Impact on U-Net Layers in MRI Segmentation},
author = {Ivan Zakazov and Boris Shirokikh and Alexey Chernyavskiy and Mikhail Belyaev},
journal= {arXiv preprint arXiv:2107.04914},
year = {2021}
}
备注
Accepted for MICCAI-2021 conference