DRL-STNet：基于解耦表示学习的跨模态医学图像分割无监督域自适应
图像与视频处理
2024-09-30 v1 人工智能
计算机视觉与模式识别
摘要
无监督域自适应（UDA）对于医学图像分割至关重要，尤其是在跨模态数据场景中。UDA 旨在将知识从有标签的源域迁移到无标签的目标域，从而减少对大量手动标注的依赖。本文提出了 DRL-STNet，一种用于跨模态医学图像分割的新框架，它结合了生成对抗网络（GAN）、解耦表示学习（DRL）和自训练（ST）。我们的方法在 GAN 内利用 DRL 将图像从源模态转换到目标模态。然后，使用这些转换后的图像和相应的源标签对分割模型进行初始训练，并随后使用合成与真实图像以及伪标签和真实标签的组合进行迭代微调。所提出的框架在 FLARE 挑战数据集的腹部器官分割任务中表现出优越的性能，在 Dice 相似系数上比最先进的方法高出 11.4%，在归一化表面 Dice 上高出 13.1%，分别达到 74.21% 和 80.69%。平均运行时间为 41 秒，GPU 内存-时间曲线下面积为 11,292 MB。这些结果表明 DRL-STNet 在增强跨模态医学图像分割任务方面具有潜力。
关键词
引用
@article{arxiv.2409.18340,
title = {DRL-STNet: Unsupervised Domain Adaptation for Cross-modality Medical Image Segmentation via Disentangled Representation Learning},
author = {Hui Lin and Florian Schiffers and Santiago López-Tapia and Neda Tavakoli and Daniel Kim and Aggelos K. Katsaggelos},
journal= {arXiv preprint arXiv:2409.18340},
year = {2024}
}
备注
MICCAI 2024 Challenge, FLARE Challenge, Unsupervised domain adaptation, Organ segmentation, Feature disentanglement, Self-training