面向医学图像分割域适应的边界保持自步对比学习
计算机视觉与模式识别
2022-01-19 v2
摘要
为弥合无监督域适应(UDA)中源域与目标域之间的差距，最常见的策略是通过对抗学习在特征空间中匹配边际分布。然而，这种与类别无关的全球对齐缺乏利用类级联合分布，导致对齐后的分布判别性不足。为解决此问题，本文提出一种新颖的边界保持自步对比学习(MPSCL)模型用于跨模态医学图像分割。与对比学习中传统的对比对构建不同，该模型利用域自适应类别原型来构成正样本对与负样本对。在逐步精炼的语义原型引导下，提出一种新颖的边界保持对比损失以提升嵌入表示空间的判别性。为增强对比学习的监督，目标域中以自步方式生成信息更丰富的伪标签，从而有益于UDA的类别感知分布对齐。此外，通过两域间的联合对比学习学到域不变表示。在跨模态心脏分割任务上的大量实验表明，MPSCL显著提升了语义分割性能，并以较大优势超越多种最先进(SOTA)方法。
引用
@article{arxiv.2103.08454,
title = {Margin Preserving Self-paced Contrastive Learning Towards Domain Adaptation for Medical Image Segmentation},
author = {Zhizhe Liu and Zhenfeng Zhu and Shuai Zheng and Yang Liu and Jiayu Zhou and Yao Zhao},
journal= {arXiv preprint arXiv:2103.08454},
year = {2022}
}
备注
This manuscript has been accepted by by IEEE JBHI and the code is available in https://github.com/TFboys-lzz/MPSCL