面向低相似度超声图像分割的多源对抗迁移学习

基于深度学习技术的超声医学图像病灶分割是一种广泛使用的疾病诊断方法。尽管医疗中心等地存在大量超声图像数据，但带标注的超声数据集是一种稀缺资源，且对于新组织/器官很可能没有可用数据集。迁移学习为解决此问题提供了可能，但自然图像中存在过多与目标域无关的特征。作为源域时，会提取出不利于任务的冗余特征。超声图像间的迁移可避免此问题，但公开数据集种类少，难以找到足够相似的源域。与自然图像相比，超声图像信息更少，不同超声图像间可迁移特征更少，可能导致负迁移。为此，提出一种用于超声图像分割的多源对抗迁移学习网络。具体而言，针对标注缺乏问题，采用对抗迁移学习思想自适应提取特定源域与目标域间的共性特征，为利用无标注超声数据提供可能。为缓解单源域知识不足，采用多源迁移学习融合多源域知识。为保证融合有效性并最大化利用宝贵数据，还提出多源域独立策略以改进目标域数据分布估计，进一步提升多源对抗迁移学习网络在多域中的学习能力。