利用不确定性进行域适应以分割 MRI 前列腺病灶
计算机视觉与模式识别
2021-01-19 v2 机器学习
图像与视频处理
摘要
对训练数据的需求可能阻碍基于学习的医学图像分析采纳新型成像模态。域适应方法通过将来自相关源域的训练数据翻译到新颖目标域，部分缓解该问题，但通常假设一对一翻译可行。我们的工作致力于适应信息更丰富的目标域的挑战，其中多个目标样本可由单一源样本产生。具体而言，我们考虑从 mp-MRI 翻译到 VERDICT，一种涉及用于癌症表征的优化采集协议的更丰富 MRI 模态。我们显式考量该映射的固有不确定性，并利用它生成以单一输入为条件的多个输出。我们的结果表明，当与简单的基于 CycleGAN 的基线以及集成判别分割损失和/或残差适配器的更强方法结合使用时，这使我们能为目标域提取系统性更优的图像表示。相较于确定性对应方法，我们的方法在广泛的数据集规模、渐强的基线与评估度量下均带来显著提升。
引用
@article{arxiv.2010.07411,
title = {Harnessing Uncertainty in Domain Adaptation for MRI Prostate Lesion Segmentation},
author = {Eleni Chiou and Francesco Giganti and Shonit Punwani and Iasonas Kokkinos and Eleftheria Panagiotaki},
journal= {arXiv preprint arXiv:2010.07411},
year = {2021}
}
备注
Accepted at MICCAI 2020. Code is available at https://github.com/elchiou/DA