用于医学图像分割中无监督域自适应的潜在向量最优对齐
机器学习
2021-06-16 v1 人工智能
计算机视觉与模式识别
摘要
本文解决分割中的域偏移问题。作为解决方案，我们提出OLVA，一种基于变分自编码器（VAE）与最优传输（OT）理论的新型轻量级无监督域自适应方法。得益于VAE，我们的模型学习了一个遵循正态分布的共享跨域潜在空间，从而减小域偏移。为保证有效分割，我们的共享潜在空间被设计为对形状而非强度变化建模。我们进一步依赖OT损失来匹配并对齐两域在潜在空间中剩余的差异。我们在公开的多模态全心分割（MM-WHS）数据集上验证了OLVA对多个心脏结构分割的有效性，其中源域由带标注的3D MR图像组成，无标注目标域为3D CT。我们的结果显示出显著改进，相较并发生成式训练方法额外提升了12.5%的dice分数。
引用
@article{arxiv.2106.08188,
title = {Optimal Latent Vector Alignment for Unsupervised Domain Adaptation in Medical Image Segmentation},
author = {Dawood Al Chanti and Diana Mateus},
journal= {arXiv preprint arXiv:2106.08188},
year = {2021}
}
备注
10 pages, 3 figures, conference MICCAI