基于变换不变自训练的医疗图像分割域适应
计算机视觉与模式识别
2023-08-01 v1
摘要
能够利用无标签数据的模型对于克服不同成像设备与配置下所获取数据集之间的巨大分布差异至关重要。在这方面，基于伪标签的自训练技术已被证明对半监督域适应极为有效。然而，伪标签的不可靠性会阻碍自训练技术从无标签目标数据集中归纳抽象表征的能力，尤其在分布差异较大时。由于神经网络性能应对图像变换保持不变，我们借助这一事实来识别不确定的伪标签。事实上，我们认为变换不变检测能提供更合理的真值近似。相应地，我们提出一种称为变换不变自训练 (TI-ST) 的半监督域适应学习策略。所提方法评估像素级伪标签的可靠性，并在自训练过程中过滤掉不可靠检测。我们使用三种不同模态的医疗图像、两种不同的网络架构以及若干替代的最先进域适应方法对域适应进行了全面评估。实验结果证实了我们所提方法在缓解目标域标注缺失和提升目标域分割性能方面的优越性。
引用
@article{arxiv.2307.16660,
title = {Domain Adaptation for Medical Image Segmentation using Transformation-Invariant Self-Training},
author = {Negin Ghamsarian and Javier Gamazo Tejero and Pablo Márquez Neila and Sebastian Wolf and Martin Zinkernagel and Klaus Schoeffmann and Raphael Sznitman},
journal= {arXiv preprint arXiv:2307.16660},
year = {2023}
}
备注
11 pages, 5 figures, accepted at 26th international conference on Medical Image Computing & Computer Assisted Intervention (MICCAI 2023)