私有未标注3D医学图像分割的跨域分布对齐
计算机视觉与模式识别
2024-10-15 v1
摘要
手动标注3D医学图像以进行分割任务是繁琐且耗时的，而且数据隐私限制了众包进行医学领域数据标注的适用性。因此，在医学图像分割上训练深度神经网络具有挑战性。我们引入一种新的源自由无监督域适应 (UDA) 方法以解决此问题。我们的想法是基于基座模型对相关源域内部学习分布的估计，然后生成用于增强模型细化通过自训练的伪标签。我们演示了该方法在真实世界3D医学数据集上达到了SOTA性能。
引用
@article{arxiv.2410.09210,
title = {Cross-Domain Distribution Alignment for Segmentation of Private Unannotated 3D Medical Images},
author = {Ruitong Sun and Mohammad Rostami},
journal= {arXiv preprint arXiv:2410.09210},
year = {2024}
}