基于解剖一致性嵌入的领域无关学习用于跨模态肝脏分割
摘要
领域自适应(Domain Adaptation, DA)有望极大促进深度学习模型的泛化。然而,现有文献通常假设将知识从源域迁移至特定的已知目标域。领域无关学习(Domain Agnostic Learning, DAL)提出了一项新任务,即将知识从源域迁移至多个异构目标域的数据。在本工作中,我们提出了基于解剖一致性嵌入的领域无关学习框架(DALACE),该框架同时作用于领域迁移和任务迁移以学习解耦表示,旨在不仅对不同模态保持不变性,而且为跨模态肝脏分割中的 DA 和 DAL 任务保留解剖结构。我们验证并将我们的模型与最先进的方法进行了比较,包括 CycleGAN、任务驱动生成对抗网络(Task Driven Generative Adversarial Network, TD-GAN)以及基于解耦表示的领域自适应(Domain Adaptation via Disentangled Representations, DADR)。对于 DA 任务,我们的 DALACE 模型优于 CycleGAN、TD-GAN 和 DADR,其 DSC 为 0.847,而对比方法的 DSC 分别为 0.721、0.793 和 0.806。对于 DAL 任务,我们的模型将性能提升至 DSC 为 0.794,而 CycleGAN、TD-GAN 和 DADR 的 DSC 分别为 0.522、0.719 和 0.742。此外,我们可视化了解耦的成功,这增加了所学有意义表示的人类可解释性。通过消融分析,我们具体展示了解耦对下游任务的具体益处,以及监督在实现更好解耦表示中的作用,即通过所提出的领域无关模块(Domain-Agnostic Module, DAM)保持分割一致性以对域保持不变,并通过所提出的解剖保留模块(Anatomy-Preserving Module, APM)保留解剖信息。
引用
@article{arxiv.1908.10489,
title = {Domain-Agnostic Learning with Anatomy-Consistent Embedding for Cross-Modality Liver Segmentation},
author = {Junlin Yang and Nicha C. Dvornek and Fan Zhang and Juntang Zhuang and Julius Chapiro and MingDe Lin and James S. Duncan},
journal= {arXiv preprint arXiv:1908.10489},
year = {2019}
}