Box-Adapt：基于边界框监督的域自适应医学图像分割
计算机视觉与模式识别
2021-08-31 v2
摘要
深度学习在医学图像分割中取得了显著成功，但它通常需要大量带有细粒度分割掩码标注的图像，而这些掩码的标注可能非常昂贵且耗时。因此，近期的方法尝试使用无监督域自适应（UDA）方法从其他数据集（源域）的标注数据借用信息到新数据集（目标域）。然而，由于目标域中缺乏标签，UDA方法的性能远差于全监督方法。在本文中，我们提出了一种弱监督域自适应设定，其中我们可以用边界框部分标注新数据集，边界框比分割掩码更易获取且更便宜。相应地，我们提出了一种称为Box-Adapt的新弱监督域自适应方法，其充分挖掘源域中的细粒度分割掩码和目标域中的弱边界框。我们的Box-Adapt是一种两阶段方法，首先在源域和目标域上进行联合训练，然后利用目标域的伪标签进行自训练。我们在肝脏分割任务中证明了我们方法的有效性。弱监督域自适应
引用
@article{arxiv.2108.08432,
title = {Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding BoxSupervision},
author = {Yanwu Xu and Mingming Gong and Shaoan Xie and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:2108.08432},
year = {2021}
}