面向多机构无监督跨模态域适应的位点特定风格学习
计算机视觉与模式识别
2023-11-23 v2
摘要
无监督跨模态域适应是医学图像分析中的一项具有挑战性的任务，当源域和目标域数据来自多个机构时，该任务变得更具挑战性。在本文中，我们提出了应对 crossMoDA 2023 挑战赛的多机构无监督域适应的解决方案。首先，我们执行非配对图像翻译将源域图像翻译到目标域，其中我们设计了一个动态网络以生成具有可控的、位点特定风格的合成目标域图像。随后，我们使用合成图像训练分割模型，并通过自训练进一步缩小域差距。我们的解决方案在挑战赛的验证阶段和测试阶段均获得了第一名。代码仓库公开于 https://github.com/MedICL-VU/crossmoda2023。
引用
@article{arxiv.2311.12437,
title = {Learning Site-specific Styles for Multi-institutional Unsupervised Cross-modality Domain Adaptation},
author = {Han Liu and Yubo Fan and Zhoubing Xu and Benoit M. Dawant and Ipek Oguz},
journal= {arXiv preprint arXiv:2311.12437},
year = {2023}
}
备注
crossMoDA 2023 challenge 1st place solution