基于对比度协调与轻量微调的协调增强域适应用于多发性硬化病灶分割
图像与视频处理
2023-11-01 v1
摘要
利用磁共振（MR）图像的深度学习算法在自主分割多发性硬化（MS）病灶方面已展现出尖端能力。尽管取得成就，这些算法可能难以将性能推广至不同站点或扫描仪，导致域泛化误差。少样本或单样本域适应作为缓解泛化误差的潜在方案出现，但其功效可能因目标域中标注数据的稀缺而受限。本文旨在通过整合单样本适应数据与包含标签的协调训练数据来应对此挑战。我们的方法涉及合成与测试域对比度相似的新训练数据，我们将此过程称为 MRI 中的“对比度协调”。实验表明，单样本适应数据与协调训练数据的结合优于单独使用任一数据源。值得注意的是，仅使用协调训练数据的域适应取得了与单样本适应相当甚至更优的性能。此外，所有适应仅需极少微调，收敛所需轮次为 2 至 5。
引用
@article{arxiv.2310.20586,
title = {Harmonization-enriched domain adaptation with light fine-tuning for multiple sclerosis lesion segmentation},
author = {Jinwei Zhang and Lianrui Zuo and Blake E. Dewey and Samuel W. Remedios and Savannah P. Hays and Dzung L. Pham and Jerry L. Prince and Aaron Carass},
journal= {arXiv preprint arXiv:2310.20586},
year = {2023}
}