面向源松弛医学图像分割的免训练现成模型记忆一致无监督自适应
计算机视觉与模式识别
2022-09-19 v1 人工智能
机器学习
图像与视频处理
摘要
无监督域自适应（UDA）一直是将有标签源域中学习到的信息迁移以辅助在无标签异构目标域中实施的重要协议。尽管 UDA 通常在来自两域的数据上联合训练，但由于患者数据隐私或知识产权顾虑，访问有标签源域数据常常受限。为规避此问题，我们提出面向图像分割的“免训练现成（OS）”UDA（OSUDA），在自适应阶段无源域数据的情况下，将源域训练的 OS 分割器自适应到目标域。为此，我们旨在开发一种新颖的逐批归一化（BN）统计量自适应框架。具体而言，我们通过指数动量衰减策略逐步自适应域特定的低阶 BN 统计量（如均值与方差），同时通过我们的优化目标显式强制域可共享的高阶 BN 统计量（如缩放与偏移因子）的一致性。我们还通过低阶统计量散度与缩放因子自适应量化通道级可迁移性以衡量各通道重要性。此外，我们将无监督自熵最小化纳入框架以提升性能，并辅以新颖的队列式记忆一致自训练策略，利用可靠伪标签实现稳定高效的无监督自适应。我们在跨模态与跨亚型脑肿瘤分割及心脏 MR 到 CT 分割任务上评估了基于 OSUDA 的框架。实验结果表明，我们的记忆一致 OSUDA 优于现有源松弛 UDA 方法，并取得与含源数据 UDA 方法相近的性能。
引用
@article{arxiv.2209.07910,
title = {Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for Source-Relaxed Medical Image Segmentation},
author = {Xiaofeng Liu and Fangxu Xing and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2209.07910},
year = {2022}
}
备注
Published in Medical Image Analysis (extension of MICCAI paper)