ODES：面向在线医学图像分割的专家引导域自适应
计算机视觉与模式识别
2025-08-29 v4
摘要
无监督域自适应分割通常依赖于在未标记目标数据集上使用预训练网络预测的伪标签进行自训练。然而，此类伪标签的噪声特性在网络适应源数据集和目标数据集之间的分布偏移时构成了主要瓶颈。当网络以在线方式处理输入数据流时，这一挑战被放大，此时网络被限制在仅一轮前向和反向传播中适应输入的目标域数据流。在这种情况下，仅依赖不准确的伪标签会导致低质量的分割，这对于准确性和精确性至关重要的医学图像分析是不利的。我们假设，从专家处获取少量像素级标注可以解决此问题，从而提高在线流数据的域自适应性能，即使在缺乏专用训练数据的情况下也是如此。我们将我们的方法称为 ODES：面向在线医学图像分割的专家引导域自适应，该方法在在线设置中适应每个输入数据批次，并通过主动学习结合专家反馈。通过主动学习，可以选择每张图像中信息量最大的像素供专家标注。然而，获取一个批次中所有图像的像素级标注通常会导致信息冗余，同时增加在线学习中的时间开销。为了减少标注获取时间并使自适应过程更适合在线场景，我们进一步提出了一种新颖的图像剪枝策略，该策略从当前批次中选择最有用的图像子集进行主动学习。我们提出的方法优于现有的在线自适应方法，并与离线域自适应主动学习方法产生了相当的结果。
引用
@article{arxiv.2312.05407,
title = {ODES: Domain Adaptation with Expert Guidance for Online Medical Image Segmentation},
author = {Md Shazid Islam and Sayak Nag and Arindam Dutta and Miraj Ahmed and Fahim Faisal Niloy and Shreyangshu Bera and Amit K. Roy-Chowdhury},
journal= {arXiv preprint arXiv:2312.05407},
year = {2025}
}