基于课程学习的增强傅里叶域自适应用于鲁棒医学图像分割
图像与视频处理
2023-06-07 v1 计算机视觉与模式识别
摘要
准确且鲁棒的医学图像分割对提升计算机辅助诊断与介入系统的自主性至关重要。医学数据收集通常涉及不同扫描仪、协议与人群，使得域自适应（DA）成为缓解部署现场模型退化的高度需求研究领域。为在多个测试域上保持模型性能，本工作提出基于课程学习的增强傅里叶域自适应（Curri-AFDA）用于鲁棒医学图像分割。具体而言，我们的课程学习策略基于部署阶段模型在不同数据偏移程度下的因果关系，其中偏移越大越难识别差异。鉴于此，我们在课程式训练中逐步将目标域更多幅度信息于频域引入源域，以由易到难的平滑方式调度语义知识迁移。此外，我们引入训练时链式增强混合，在保留域不变语义的同时扩展数据分布，利于所获模型对未见域更鲁棒且泛化更好。在来自多站点多扫描仪的视网膜与细胞核两项分割任务上的大量实验表明，我们所提方法取得了更优的自适应与泛化性能。同时，我们的方法在各种腐蚀类型与递增严重度下均更鲁棒。另外，我们展示了该方法在皮肤病变数据集的域自适应分类任务中同样有益。代码见 https://github.com/lofrienger/Curri-AFDA。
引用
@article{arxiv.2306.03511,
title = {Curriculum-Based Augmented Fourier Domain Adaptation for Robust Medical Image Segmentation},
author = {An Wang and Mobarakol Islam and Mengya Xu and Hongliang Ren},
journal= {arXiv preprint arXiv:2306.03511},
year = {2023}
}
备注
Work under review. First three authors contributed equally