面向跨模态图像分割的数据高效无监督域自适应
图像与视频处理
2019-08-14 v2 计算机视觉与模式识别
摘要
在源域（例如成像模态）医学图像上训练得到的深度学习模型，在部署到来自不同目标域的图像上时常常失效，尽管成像的是共同的解剖结构。深度无监督域自适应（UDA）旨在仅利用无标签目标域数据和有标签源域数据，提升深度神经网络模型在目标域上的性能。然而，当前最先进的方法在目标数据稀缺时性能下降。在本工作中，我们提出一种用于多域医学图像分割的新型数据高效UDA方法。所提方法结合了一种新颖的、数据高效的基于VAE的特征先验匹配，以及域对抗训练，以学习一个共享的域不变隐空间，并在分割时加以利用。我们的方法在一个公开的多模态心脏图像分割数据集上进行了评估，从有标签的源域（3D MRI）自适应到无标签的目标域（3D CT）。我们表明，仅使用单张无标签的3D CT扫描，所提架构在同一设定下优于最先进水平。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提方法的理论基础。
引用
@article{arxiv.1907.02766,
title = {Data Efficient Unsupervised Domain Adaptation for Cross-Modality Image Segmentation},
author = {Cheng Ouyang and Konstantinos Kamnitsas and Carlo Biffi and Jinming Duan and Daniel Rueckert},
journal= {arXiv preprint arXiv:1907.02766},
year = {2019}
}
备注
Accepted by MICCAI 2019