用于无监督域自适应医学图像翻译的注意力连续生成式自训练
图像与视频处理
2023-05-25 v1 计算机视觉与模式识别
机器学习
医学物理
摘要
自训练是一类重要的无监督域自适应（UDA）方法，用于缓解将标记源域学到的知识应用于未标记且异质的目标域时的域偏移问题。尽管基于自训练的UDA通过基于最大softmax概率的可靠伪标签过滤，在分类和分割等判别任务上展现出可观潜力，但针对包括图像模态翻译在内的生成任务的基于自训练的UDA研究十分匮乏。为填补这一空白，本文致力于开发一个用于域自适应图像翻译的生成式自训练（GST）框架，该框架采用连续值预测与回归目标。具体而言，我们利用变分贝叶斯学习量化GST中的偶然不确定性与认知不确定性，以衡量合成数据的可靠性。我们还引入一种自注意力机制，弱化背景区域以避免其在训练过程中占据主导。随后通过一种交替优化方案执行自适应，该方案以目标域监督为导向，将注意力聚焦于具有可靠伪标签的区域。我们在两个跨扫描仪/中心、受试者间的翻译任务上评估了我们的框架，包括标记磁共振（MR）到电影磁共振图像翻译，以及T1加权MR到分数各向异性翻译。使用未配对目标域数据的大量验证表明，相较于对抗训练UDA方法，我们的GST取得了更优的合成性能。
引用
@article{arxiv.2305.14589,
title = {Attentive Continuous Generative Self-training for Unsupervised Domain Adaptive Medical Image Translation},
author = {Xiaofeng Liu and Jerry L. Prince and Fangxu Xing and Jiachen Zhuo and Reese Timothy and Maureen Stone and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2305.14589},
year = {2023}
}
备注
Accepted to Medical Image Analysis