基于域适应的自校正模型用于 CT 图像中 COVID-19 感染分割
图像与视频处理
2021-04-21 v1 计算机视觉与模式识别
摘要
在考虑现实场景时，深度学习模型对未知域的泛化能力至关重要。然而，当前可用的医学图像数据集，如 COVID-19 CT 图像数据集，存在感染差异大和域偏移问题。为解决此问题，我们提出了一种先验知识驱动的域适应和双域增强自校正学习方案。基于该新颖学习方案，提出了一种基于域适应的自校正模型（DASC-Net）用于 CT 图像中的 COVID-19 感染分割。DASC-Net 由一个解决域偏移的新颖注意力与特征域增强域适应模型（AFD-DA）以及一个细化分割结果的自校正学习过程组成。AFD-DA 的创新包括一个关注肺部异常的影像级激活特征提取器和一个用于分层特征域对齐的多级判别模块。所提出的自校正学习过程自适应地聚合所学模型及相应伪标签，以传播对齐的源域和目标域信息，缓解由伪标签引起的对噪声的过拟合。在三个公开可用的 COVID-19 CT 数据集上的大量实验表明，DASC-Net 持续优于最先进的分割、域偏移和冠状病毒感染分割方法。消融分析进一步显示了我们模型中主要组件的有效性。DASC-Net 丰富了医学影像中域适应和自校正学习的理论，并可推广到多中心 CT 图像上的 COVID-19 感染分割以用于临床部署。
引用
@article{arxiv.2104.09699,
title = {Domain adaptation based self-correction model for COVID-19 infection segmentation in CT images},
author = {Qiangguo Jin and Hui Cui and Changming Sun and Zhaopeng Meng and Leyi Wei and Ran Su},
journal= {arXiv preprint arXiv:2104.09699},
year = {2021}
}