MDT-Net：基于感知监督的 OCT 扫描中非配对图像多域迁移网络
图像与视频处理
2022-10-27 v2 计算机视觉与模式识别
摘要
深度学习模型在存在域偏移时往往表现不佳。域迁移近来作为一种有前景的方法出现，其中表现出域偏移的图像被转换到其他域以进行扩增或适配。然而，在缺乏配对与标注图像的情况下，仅由对抗损失与循环一致性损失学习的模型可能在转换过程中导致解剖结构一致性差。此外，随着目标域与源图像数量增加，学习多域迁移的复杂度显著上升。本文中，我们提出一种名为 MDT-Net 的多域迁移网络，通过感知监督解决上述局限。具体而言，我们的模型由单一编码器-解码器网络与多个域特定迁移模块组成，以解耦解剖内容与域差异的特征表示。得益于该架构，模型在多域间转换时可显著降低复杂度。为展示方法性能，我们在 RETOUCH（一个包含来自三种不同扫描设备（域）扫描的 OCT 数据集）上定性与定量评估模型。此外，我们将迁移结果作为流体分割的额外训练数据，以间接证明模型在数据与适配扩增任务中的优势。实验结果表明，我们的方法能为这些分割任务带来普遍提升，证明了 MDT-Net 在多域迁移中的有效性与高效性。
引用
@article{arxiv.2203.06363,
title = {MDT-Net: Multi-domain Transfer by Perceptual Supervision for Unpaired Images in OCT Scan},
author = {Weinan Song and Gaurav Fotedar and Nima Tajbakhsh and Ziheng Zhou and Lei He and Xiaowei Ding},
journal= {arXiv preprint arXiv:2203.06363},
year = {2022}
}