用于小脑分割的置信度引导无监督域适应
图像与视频处理
2023-05-30 v2 计算机视觉与模式识别
摘要
缺乏全面的高分辨率小脑图谱阻碍了关于小脑在正常脑功能和疾病中作用的研究。由于小脑皮层高度折叠的表面以及手动勾画所需的大量时间，很难获得其紧密叶片状结构的良好表征。手动分割的质量受人类专家判断影响，而自动标注受限于现有分割算法有限的鲁棒性。20μm各向同性的 BigBrain 数据集提供了前所未有的高分辨率框架用于语义分割，相比之下磁共振成像的分辨率为 1000μm(1mm)。为了免除手动标注的需求，我们提出训练一个模型，以无监督方式将 Allen Brain Human Brain Atlas 上的小脑标注自适应地迁移到 BigBrain，同时考虑切片之间染色和间距的差异。Allen Brain 与 BigBrain 之间显著的视觉差异使现有方法无法提供有意义的分割掩码，且 BigBrain 数据中由切片和组化切片制备引起的伪影带来了额外挑战。为解决这些问题，我们提出一个两阶段框架：首先将 Allen Brain 小脑迁移到与 BigBrain 具有视觉相似性的空间；随后引入一种带置信度图的自我训练策略，以迭代方式引导模型从噪声伪标签中学习。定性结果验证了方法的有效性，定量实验表明我们的方法相比其他方法可实现超过 2.6% 的损失降低。
引用
@article{arxiv.2206.10357,
title = {Confidence-Guided Unsupervised Domain Adaptation for Cerebellum Segmentation},
author = {Xuan Li and Paule-J Toussaint and Alan Evans and Xue Liu},
journal= {arXiv preprint arXiv:2206.10357},
year = {2023}
}