基于反向分类精度的 MRI 器官分割域适应
计算机视觉与模式识别
2018-06-04 v1
摘要
医学影像研究中多中心数据的差异带来了域适应的需求。尽管机器学习在自动分割方面取得了进展，但当算法应用于与训练数据来自不同扫描仪或序列的新数据时，性能往往会下降。若需为每个新目标域都进行人工标注，则成本高且耗时。在本工作中，我们利用反向分类精度（RCA）的概念研究自动选择合适的受试者进行标注以用于监督域适应。RCA 预测训练好的模型在新域数据上的性能，并评估了通过迁移学习纳入适应过程的不同受试者选择策略。我们在一个双中心 MR 数据库上进行了器官分割任务的实验。我们表明，通过 RCA 进行受试者选择可以减轻目标域新数据的标注负担。
引用
@article{arxiv.1806.00363,
title = {Domain Adaptation for MRI Organ Segmentation using Reverse Classification Accuracy},
author = {Vanya V. Valindria and Ioannis Lavdas and Wenjia Bai and Konstantinos Kamnitsas and Eric O. Aboagye and Andrea G. Rockall and Daniel Rueckert and Ben Glocker},
journal= {arXiv preprint arXiv:1806.00363},
year = {2018}
}
备注
Accepted at the International Conference on Medical Imaging with Deep Learning (MIDL) 2018