Dual-Teacher++:利用可靠迁移发掘域内与域间知识用于心脏分割
图像与视频处理
2021-01-08 v1 计算机视觉与模式识别
摘要
标注稀缺是医学图像分析领域的长期问题。为高效利用有限标注,半监督学习额外发掘大量无标注数据,而域适应则探究已建立的跨模态数据。本文旨在探索同时利用无标注数据与跨模态数据以实现标注高效的心脏分割之可行性。为此,我们提出前沿的半监督域适应框架 Dual-Teacher++。除通过先前文献采用的 student 模型直接自有限标注目标域数据(如 CT)学习外,我们设计新颖双 teacher 模型,含探索源域(如 MR)跨模态先验的域间 teacher 模型,与发掘无标注目标域下知识的域内 teacher 模型。如此,双 teacher 模型将所获域间与域内知识迁移至 student 模型以进一步整合与利用。此外,为促成可靠双域知识迁移,我们增强外观对齐后与目标域相似度更高样本上的域间知识迁移,并强化预测置信度更高无标注目标数据的域内知识迁移。借此,student 模型可获得可靠双域知识并在目标域数据上取得改进性能。我们在 MM-WHS 2017 挑战数据集上广泛评估了方法可行性。实验证明了我们的框架优于其他半监督学习与域适应方法。且性能增益可双向取得,即从 MR 到 CT 与从 CT 到 MR 的适应。
引用
@article{arxiv.2101.02375,
title = {Dual-Teacher++: Exploiting Intra-domain and Inter-domain Knowledge with Reliable Transfer for Cardiac Segmentation},
author = {Kang Li and Shujun Wang and Lequan Yu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2101.02375},
year = {2021}
}
备注
Accepted by TMI