用于医学图像语义分割的边缘保持域适应
计算机视觉与模式识别
2021-11-19 v1 机器学习
摘要
域适应是一种解决未知环境中缺乏大量标注数据的技术。无监督域适应旨在仅利用带标签的源域数据和未标记的目标域数据，将模型适配到新的模态。尽管已提出许多图像空间域适应方法来捕捉像素级域偏移，但此类技术可能无法为分割任务保持高层语义信息。对于生物医学图像而言，血管等精细细节可能在域间的图像变换操作中丢失。在本工作中，我们提出一种模型，在域适应过程中利用循环一致性损失进行域间适配，同时通过施加基于边缘的损失来保持原始图像的边缘细节。我们通过在两个眼底血管分割数据集上与其他方法进行比较，证明了我们算法的有效性。与SOTA相比，我们的DICE分数提升了1.1至9.2，与原始的CycleGAN实现相比提升了约5.2。
引用
@article{arxiv.2111.09847,
title = {Edge-preserving Domain Adaptation for semantic segmentation of Medical Images},
author = {Thong Vo and Naimul Khan},
journal= {arXiv preprint arXiv:2111.09847},
year = {2021}
}
备注
5 pages, 2 figures