ProSFDA：基于提示学习的无源域适应医学图像分割方法
计算机视觉与模式识别
2022-11-22 v1
摘要
不同情形下获取的医学图像间存在的域差异，是在临床中使用预训练医学图像分割模型的一大障碍。由于数据规模庞大及隐私问题，随预训练模型分发训练数据可能性较低，因此基于伪标签或先验知识的无源无监督域适应（SFDA）近期得到日益广泛的研究。然而，当域差异较大时，基于伪标签的 SFDA 所用的图像特征和概率图，以及先验引导的 SFDA 所用的一致先验假设和先验预测网络，都可能变得不可靠。本文提出一种基于\textbf{提示}学习的\textbf{SFDA}（\textbf{ProSFDA}）医学图像分割方法，旨在通过显式最小化域差异来提升域适应质量。具体而言，在提示学习阶段，我们通过向目标域图像添加域感知提示来估计源域图像，随后通过最小化统计对齐损失来优化提示，从而提示源模型在（改变的）目标域图像上生成可靠预测。在特征对齐阶段，我们还将目标域图像与其风格增强对应物的特征进行对齐以优化源模型，进而推动模型提取紧凑特征。我们在两个多域医学图像分割基准上评估了 ProSFDA。结果表明，所提 ProSFDA 大幅优于其他 SFDA 方法，甚至可与 UDA 方法相媲美。代码将发布于 \url{https://github.com/ShishuaiHu/ProSFDA}。
引用
@article{arxiv.2211.11514,
title = {ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical Image Segmentation},
author = {Shishuai Hu and Zehui Liao and Yong Xia},
journal= {arXiv preprint arXiv:2211.11514},
year = {2022}
}