FVP：面向医学图像分割无源无监督域适应的傅里叶视觉提示
计算机视觉与模式识别
2023-11-03 v2
摘要
当训练与测试数据之间存在域偏移时，医学图像分割方法通常表现不佳。无监督域适应（UDA）通过利用来自源域的带标签数据与来自目标域的无标签数据训练模型来解决域偏移问题。近期提出了源-free UDA（SFUDA）用于无源数据的 UDA，因数据隐私或数据传输问题，在适应阶段无需源数据，其通常在测试阶段适配预训练深度模型。然而，在医学图像分割的真实临床场景中，训练好的模型在测试阶段通常是冻结的。本文中，我们提出傅里叶视觉提示（FVP）用于医学图像分割的 SFUDA。受自然语言处理中提示学习的启发，FVP 通过对输入目标数据添加视觉提示，引导冻结的预训练模型在目标域表现良好。在 FVP 中，视觉提示仅由输入频率空间中少量可学习的低频参数参数化，并通过在冻结模型下最小化提示目标图像的预测分割与目标图像可靠伪分割标签之间的分割损失来学习。据我们所知，FVP 是将视觉提示应用于医学图像分割 SFUDA 的首项工作。所提 FVP 使用三个公开数据集验证，实验表明与多种现有方法相比，FVP 产生了更好的分割结果。
引用
@article{arxiv.2304.13672,
title = {FVP: Fourier Visual Prompting for Source-Free Unsupervised Domain Adaptation of Medical Image Segmentation},
author = {Yan Wang and Jian Cheng and Yixin Chen and Shuai Shao and Lanyun Zhu and Zhenzhou Wu and Tao Liu and Haogang Zhu},
journal= {arXiv preprint arXiv:2304.13672},
year = {2023}
}