EndoUDA:一种模态无关的内镜成像分割方法
图像与视频处理
2021-07-13 v1 计算机视觉与模式识别
机器学习
摘要
胃肠道(GI)癌前病灶需要对患者进行频繁监测以进行风险分层。自动化分割方法有助于更准确地评估风险区域,并辅助诊疗操作甚至切除。在临床实践中,除常规白光成像(WLI)外,还使用窄带成像(NBI)和荧光成像等补充模态。虽然当今大多数分割方法为有监督且仅集中于单一模态数据集,本工作旨在利用一种目标无关的的无监督域适应(UDA)技术,其能够泛化至未见过的目标模态。在此背景下,我们提出了一种新颖的基于 UDA 的分割方法,该方法将变分自编码器与 U-Net 耦合于共同的 EfficientNet-B4 骨干网络,并使用联合损失对目标样本的潜空间进行优化。我们展示了我们的模型在仅使用 WLI(源)模态训练时能够泛化至未见过的目标 NBI(目标)模态。我们在上、下消化道内镜数据上的实验表明了相较于朴素有监督方法和最先进 UDA 分割方法,我们方法的有效性。
引用
@article{arxiv.2107.05342,
title = {EndoUDA: A modality independent segmentation approach for endoscopy imaging},
author = {Numan Celik and Sharib Ali and Soumya Gupta and Barbara Braden and Jens Rittscher},
journal= {arXiv preprint arXiv:2107.05342},
year = {2021}
}
备注
10 pages, 3 figures, 3 tables. Accepted for MICCAI 2021