关注图谱：用于鲁棒三维医学图像分割的图谱引导测试时自适应方法
计算机视觉与模式识别
2024-02-28 v2 机器学习
摘要
卷积神经网络（CNNs）在测试目标数据与训练（源）数据分布不同的情况下常表现不佳，尤其在医学影像应用中，不同临床站点和扫描仪之间成像协议的差异导致成像外观不同。然而，由于隐私问题和标注成本高，重新访问源训练数据以进行无监督域适应或为模型微调标注额外测试数据可能都很困难。为解决此问题，我们提出一种新颖的图谱引导测试时自适应（TTA）方法用于鲁棒三维医学图像分割，称为 AdaAtlas。AdaAtlas 仅以单张未标注测试样本作为输入，并通过最小化基于图谱的损失来自适应分割网络。具体而言，网络被调整为：其在配准后的预测在图谱空间中对齐于学习到的图谱，这有助于减少测试时的解剖分割错误。此外，不同于大多数现有 TTA 方法仅将自适应限制于分割网络中的批归一化块，我们进一步利用通道与空间注意力块以提升测试时的适应性。在来自不同站点的多个数据集上的大量实验表明，带注意力块自适应的 AdaAtlas（AdaAtlas-Attention）实现了优越的性能提升，大幅优于其他有竞争力的 TTA 方法。
引用
@article{arxiv.2307.00676,
title = {Pay Attention to the Atlas: Atlas-Guided Test-Time Adaptation Method for Robust 3D Medical Image Segmentation},
author = {Jingjie Guo and Weitong Zhang and Matthew Sinclair and Daniel Rueckert and Chen Chen},
journal= {arXiv preprint arXiv:2307.00676},
year = {2024}
}
备注
Accepted by MICCAI BTSD-1001AI workshop. (Oral presentation).https://btsdmiccai.github.io/