PnP-AdaNet：即插即用对抗域适应网络及跨模态心脏分割基准
计算机视觉与模式识别
2018-12-20 v1
摘要
深度卷积网络已在各种医学图像计算任务上展现出最先进的性能。对同一分析任务利用不同模态的图像具有临床益处。然而，深度模型在具有不同分布的测试数据上的泛化能力仍是一项主要挑战。本文中，我们提出PnP-AdaNet（即插即用对抗域适应网络），用于在不同模态的医学图像（如MRI和CT）之间适应分割网络。我们提出以无监督方式对齐源域和目标域的特征空间，从而应对显著的域偏移。具体而言，域适应模块灵活替换源网络的早期编码器层，而较高层在域间共享。通过对抗学习，我们构建了两个判别器，其输入分别为多级特征和预测的分割掩码。我们在未配对的MRI和CT上验证了我们的域适应方法用于心脏结构分割。具有详尽消融实验的结果证明了我们所提PnP-AdaNet的优异效能。此外，我们引入了心脏数据集上针对无监督跨模态域适应任务的新型基准。我们将公开代码和数据库，旨在推动医学成像中这一具挑战性且重要的研究课题的未来研究。
引用
@article{arxiv.1812.07907,
title = {PnP-AdaNet: Plug-and-Play Adversarial Domain Adaptation Network with a Benchmark at Cross-modality Cardiac Segmentation},
author = {Qi Dou and Cheng Ouyang and Cheng Chen and Hao Chen and Ben Glocker and Xiahai Zhuang and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1812.07907},
year = {2018}
}