基于对比半监督学习的跨相似解剖结构域自适应分割
计算机视觉与模式识别
2022-08-19 v1
摘要
卷积神经网络（CNNs）已在医学图像分割中取得最先进的性能，但训练需要大量人工标注。半监督学习（SSL）方法有望减少对标注的需求，但在数据集规模和标注图像数量较小时，其性能仍受限。利用具有相似解剖结构的现有标注数据集辅助训练，有潜力提升模型性能。然而，由于来自目标结构的表观甚至成像模态不同，跨解剖域偏移带来了进一步挑战。为解决该问题，我们提出用于跨解剖域自适应的对比半监督学习（CS-CADA），将模型适配到目标域中分割相似结构，仅需在目标域中使用有限标注，并通过利用源域中一组相似结构的已有标注图像实现。我们采用域特定批归一化（DSBN）对两个解剖域的特征图分别归一化，并提出跨域对比学习策略以鼓励提取域不变特征。它们被集成到自集成均值教师（SE-MT）框架中，利用未标注目标域图像及预测一致性约束。大量实验表明，我们的 CS-CADA 能够解决具有挑战性的跨解剖域偏移问题，在仅给定目标域少量标注的情况下，分别借助视网膜血管图像实现 X 射线图像中冠状动脉的精确分割，以及借助眼底图像实现心脏 MR 图像的精确分割。
引用
@article{arxiv.2208.08605,
title = {Contrastive Semi-supervised Learning for Domain Adaptive Segmentation Across Similar Anatomical Structures},
author = {Ran Gu and Jingyang Zhang and Guotai Wang and Wenhui Lei and Tao Song and Xiaofan Zhang and Kang Li and Shaoting Zhang},
journal= {arXiv preprint arXiv:2208.08605},
year = {2022}
}
备注
12 pages, 6 figures