LE-UDA：面向医学图像分割的标签高效无监督域适应方法
图像与视频处理
2022-12-06 v1 人工智能
计算机视觉与模式识别
摘要
尽管深度学习方法迄今在医学图像分割中取得了相当大的成功，但它们仍受限于两点：(i) 依赖大规模精细标注数据集，由于临床实践中像素级标注由专家驱动且耗时，这类数据难以整理；(ii) 难以从一个域泛化到另一个域，尤其是当目标域为具有严重域偏移的不同模态时。近期的无监督域适应（UDA）技术利用丰富的带标注源数据与无标注目标数据来缩小域差距，但这些方法在源标注有限时性能显著下降。在本研究中，我们解决这一未被充分探索的 UDA 问题，考察一种具有挑战性但有价值的现实场景：源域不仅相对目标域存在域偏移，还面临标签稀缺。为此，我们提出一种新颖且通用的框架“标签高效无监督域适应”（LE-UDA）。在 LE-UDA 中，我们构建自集成一致性以实现两域间的知识迁移，并设计自集成对抗学习模块以更好地实现 UDA 的特征对齐。为评估方法有效性，我们在 MRI 与 CT 图像间的跨模态分割两项不同任务上进行了大量实验。实验结果表明，所提出的 LE-UDA 能高效利用有限的源标签提升跨域分割性能，优于文献中最先进的 UDA 方法。代码见：https://github.com/jacobzhaoziyuan/LE-UDA。
引用
@article{arxiv.2212.02078,
title = {LE-UDA: Label-efficient unsupervised domain adaptation for medical image segmentation},
author = {Ziyuan Zhao and Fangcheng Zhou and Kaixin Xu and Zeng Zeng and Cuntai Guan and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2212.02078},
year = {2022}
}
备注
Accepted by IEEE Transactions on Medical Imaging, 2022