基于课程学习的CT气道树分割小样本域自适应
计算机视觉与模式识别
2024-11-11 v1 机器学习
摘要
尽管深度学习取得了进展，但基于胸部CT扫描的自动化气道分割在分割质量和跨队列泛化方面仍面临挑战。为解决这些问题，我们提出将课程学习（CL）整合到气道分割网络中，根据从CT扫描和相应金标准树中提取的临时复杂度评分，将训练集分成批次。我们专门研究了小样本域自适应场景，重点关注完整微调数据集标注成本过高的情况。我们在两个大型开放队列（ATM100和ATM200）上报告了结果，显示在源域（全训练）和目标域（小样本微调）上使用CL均取得了高性能，同时也提供了一些关于使用经典自举评分函数或不使用适当扫描排序可能产生的潜在负面影响的见解。
引用
@article{arxiv.2411.05779,
title = {Curriculum Learning for Few-Shot Domain Adaptation in CT-based Airway Tree Segmentation},
author = {Maxime Jacovella and Ali Keshavarzi and Elsa Angelini},
journal= {arXiv preprint arXiv:2411.05779},
year = {2024}
}
备注
Under review for 22nd IEEE International Symposium on Biomedical Imaging (ISBI), Houston, TX, USA