面向机密医学图像分割的领域自适应
计算机视觉与模式识别
2022-10-10 v3 密码学与安全
机器学习
图像与视频处理
摘要
卷积神经网络（CNNs）已显著改善图像的语义分割。当源域与目标域数据集来自不同模态时，因领域偏移，CNN性能下降。此类情况下，为维持模型性能，目标域中的数据标注变得必要。为规避重新标注过程，提出无监督领域自适应（UDA）以仅用未标记目标数据将模型适配新模态。常见UDA算法在自适应过程中需访问源域数据，但因数据共享限制，这在医学影像中或不可行。本工作中，我们开发了源域数据在目标自适应期间不可访问的UDA算法。我们的方法基于将源域信息编码为内部分布，该分布用于在缺乏源样本时引导自适应。我们在两个医学图像语义分割数据集上将其与最先进医学图像语义分割方法比较，证明了算法的有效性。
引用
@article{arxiv.2101.00522,
title = {Domain Adaptation for the Segmentation of Confidential Medical Images},
author = {Serban Stan and Mohammad Rostami},
journal= {arXiv preprint arXiv:2101.00522},
year = {2022}
}