基于数据增强的无监督域适应
图像与视频处理
2022-02-24 v1 计算机视觉与模式识别
机器学习
摘要
深度学习在医学图像分析中的引入推动了多种应用（如疾病分类、异常检测与分割）中先进策略的发展。然而，即便是最先进的方法也需要海量且多样的数据才能实现泛化。由于在真实临床场景中，数据获取与标注成本高昂，基于小规模且缺乏代表性的数据训练的深度学习模型，在部署于与训练数据不同（例如来自不同扫描仪的数据）时往往表现不佳。本工作中，我们提出了一种域适应方法，以缓解分割模型中的该问题。我们的方法利用对抗域适应与一致性训练的特性，实现更鲁棒的适应。使用两个带有白质高信号（WMH）标注的数据集，我们证明了即使在单个策略易失败的极端情况下，所提方法仍能提升模型泛化能力。
引用
@article{arxiv.2202.11486,
title = {Augmentation based unsupervised domain adaptation},
author = {Mauricio Orbes-Arteaga and Thomas Varsavsky and Lauge Sorensen and Mads Nielsen and Akshay Pai and Sebastien Ourselin and Marc Modat and M Jorge Cardoso},
journal= {arXiv preprint arXiv:2202.11486},
year = {2022}
}