面向多模态心脏图像分割的小样本无监督域适应
图像与视频处理
2022-02-01 v1 计算机视觉与模式识别
摘要
无监督域适应（UDA）方法旨在利用无标签目标域数据与有标签源域数据来缩小源域与目标域间的差距，然而在医学领域，目标域数据未必总易获取，且获取新样本通常耗时。这限制了 UDA 方法在新域上的发展。在本文中，我们探索了 UDA 在更具挑战性但更现实的场景中的潜力，即仅有一个无标签目标患者样本可用。我们称之为小样本无监督域适应（FUDA）。我们首先从源图像生成目标风格图像，并通过随机自适应实例归一化（RAIN）从单个目标患者探索多样目标风格。随后，分割网络以有监督方式在生成的目标图像上训练。我们的实验表明，与基线相比，FUDA 在目标域上以 Dice 分数提升了 0.33 的分割性能，并且在更严格的单样本设定下也带来了 0.28 的 Dice 分数提升。我们的代码可在 \url{https://github.com/MingxuanGu/Few-shot-UDA} 获取。
引用
@article{arxiv.2201.12386,
title = {Few-shot Unsupervised Domain Adaptation for Multi-modal Cardiac Image Segmentation},
author = {Mingxuan Gu and Sulaiman Vesal and Ronak Kosti and Andreas Maier},
journal= {arXiv preprint arXiv:2201.12386},
year = {2022}
}
备注
Accepted t0 BVM2022