用于视网膜OCT图像无监督域适应的噪声迁移
计算机视觉与模式识别
2022-09-20 v1 机器学习
图像与视频处理
摘要
来自不同相机设备的光学相干断层扫描（OCT）成像会导致具有挑战性的域偏移，并可能使机器学习模型的准确率严重下降。在这项工作中，我们提出了一种基于奇异值分解（SVDNA）的最小噪声适应方法，以克服视网膜OCT成像中来自三家不同设备制造商的目标域之间的域差距。我们的方法利用噪声结构的差异，成功弥合不同OCT设备之间的域差距，并将无标签目标域图像的风格迁移到具有人工标注的源图像上。我们展示了尽管该方法简单，但在公开OCT数据集的语义分割任务上，其效果可与最先进的无监督域适应方法相媲美甚至更优。SVDNA只需几行代码即可集成到任何网络的增强流水线中，这与许多最先进域适应方法形成对比，后者往往需更改底层模型架构或训练一个独立的风格迁移模型。SVDNA的完整代码实现可在 https://github.com/ValentinKoch/SVDNA 获取。
引用
@article{arxiv.2209.08097,
title = {Noise transfer for unsupervised domain adaptation of retinal OCT images},
author = {Valentin Koch and Olle Holmberg and Hannah Spitzer and Johannes Schiefelbein and Ben Asani and Michael Hafner and Fabian J Theis},
journal= {arXiv preprint arXiv:2209.08097},
year = {2022}
}
备注
published at MICCAI 2022