基于双向全局到局部无监督域适应的跨模态脑肿瘤分割
计算机视觉与模式识别
2021-05-18 v1
摘要
从多模态磁共振（MR）图像中准确分割脑肿瘤对脑肿瘤诊断与治疗至关重要。然而，由于不同模态间存在域偏移，当网络在一个模态上训练而在另一模态上推理时（如用T1图像训练而用T2图像推理，临床中常需如此），性能急剧下降。这也阻碍网络在标注数据训练后迁移至不同域的无标注数据。为此，无监督域适应（UDA）方法提供了缓解标注源数据与无标注目标数据间域偏移的有效方案。本文提出一种UDA方案下的新型双向全局到局部（BiGL）适应框架。具体而言，提出双向图像合成与分割模块，利用为两域生成的中间数据分布分割脑肿瘤，含图像到图像翻译器与共享权重分割网络；进一步提出全局到局部一致性学习模块，以集成方式构建鲁棒表征对齐。在多模态脑MR基准数据集上的大量实验表明，所提方法大幅优于多种最先进无监督域适应方法，而全面消融研究验证了各关键组件的有效性。我们的方法实现代码将发布于\url{https://github.com/KeleiHe/BiGL}。
引用
@article{arxiv.2105.07715,
title = {Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation},
author = {Kelei He and Wen Ji and Tao Zhou and Zhuoyuan Li and Jing Huo and Xin Zhang and Yang Gao and Dinggang Shen and Bing Zhang and Junfeng Zhang},
journal= {arXiv preprint arXiv:2105.07715},
year = {2021}
}