用于跨模态医学图像分割的深度对称自适应网络
图像与视频处理
2021-01-19 v1 计算机视觉与模式识别
摘要
无监督域自适应(UDA)方法已在跨模态医学图像分割任务中展现出其有前景的性能。这些典型方法通常利用一个翻译网络将源域图像变换到目标域,或仅使用翻译后的源图像和原始目标图像来训练像素级分类器。然而,当源域和目标域之间存在较大的域偏移时,我们认为这种非对称结构无法完全消除域间隙。本文提出一种新颖的用于医学图像分割的UDA深度对称架构,其由一个分割子网络和两个对称的源域与目标域翻译子网络组成。具体而言,基于两个翻译子网络,我们引入了一种通过共享编码器和私有解码器实现的双向对齐方案,以同时对齐特征1)从源域到目标域和2)从目标域到源域,这有助于有效缓解域间差异。此外,对于分割子网络,我们不仅使用原始目标图像和翻译后的源图像,还使用原始源图像和翻译后的目标图像来训练像素级分类器,这有助于充分利用来自不同风格图像的语义信息。大量实验表明,我们的方法在跨模态心脏和BraTS分割任务中相较于最先进的方法具有显著优势。
引用
@article{arxiv.2101.06853,
title = {Deep Symmetric Adaptation Network for Cross-modality Medical Image Segmentation},
author = {Xiaoting Han and Lei Qi and Qian Yu and Ziqi Zhou and Yefeng Zheng and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2101.06853},
year = {2021}
}