ASC：用于胎儿脑 MRI 分割中无监督域适应的外观与结构一致性方法
图像与视频处理
2023-10-24 v1 计算机视觉与模式识别
摘要
胎儿脑图像的自动组织分割对于产前神经发育的定量分析至关重要。然而，生成胎儿脑成像的体素级标注耗时且昂贵。为降低标注成本，我们提出了一种实用的无监督域适应（UDA）设定，将高质量胎儿脑图谱的分割标签适配到来自另一域的未标注胎儿脑 MRI 数据。针对该任务，我们提出了一种基于外观与结构一致性的新 UDA 框架，命名为 ASC。我们通过约束基于频率的图像变换（即在脑 MRI 数据与图谱之间交换外观）前后的一致性，使分割模型适配不同域的外观。考虑到即使在同一域中，不同胎龄的胎儿脑图像在解剖结构上也可能存在显著差异。为使模型适配目标域中的结构变化，我们进一步鼓励在不同结构扰动下的预测一致性。在 FeTA 2021 基准上的大量实验证明了我们的 ASC 相较于基于配准、基于半监督学习以及现有基于 UDA 的方法的有效性。
引用
@article{arxiv.2310.14172,
title = {ASC: Appearance and Structure Consistency for Unsupervised Domain Adaptation in Fetal Brain MRI Segmentation},
author = {Zihang Xu and Haifan Gong and Xiang Wan and Haofeng Li},
journal= {arXiv preprint arXiv:2310.14172},
year = {2023}
}
备注
MICCAI 2023, released code: https://github.com/lhaof/ASC