用于前庭神经鞘瘤分割的细粒度无监督跨模态域适应
图像与视频处理
2023-11-28 v1 计算机视觉与模式识别
机器学习
摘要
域适应方法在跨不同厂商与中心迁移风格以及填补模态间隙方面已获得广泛认可。然而，多中心应用面临因域内差异导致域适应困难的挑战。我们致力于引入一种细粒度无监督域适应框架，以促进前庭神经鞘瘤（VS）与耳蜗的跨模态分割。我们提出使用向量控制生成器合成具有给定特征的伪图像。随后，可通过搜索特征字典对数据集施加多种增强。这种多样性增强可提升分割模型的性能与鲁棒性。在 CrossMoDA 验证阶段排行榜上，我们的方法在 VS 与耳蜗上分别获得了 0.765 与 0.836 的平均 Dice 分数。
引用
@article{arxiv.2311.15090,
title = {Fine-Grained Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma Segmentation},
author = {Luyi Han and Tao Tan and Ritse Mann},
journal= {arXiv preprint arXiv:2311.15090},
year = {2023}
}