基于重构驱动动态细化的无监督域自适应用于视盘与视杯联合分割
图像与视频处理
2023-04-11 v1 计算机视觉与模式识别
摘要
青光眼是不可逆失明的主要原因之一。在眼底图像上分割视盘(OD)和视杯(OC)是青光眼筛查的关键步骤。尽管已构建许多深度学习模型用于此任务，训练一个可成功部署到不同医疗中心的OD/OC分割模型仍具挑战性。困难主要来自域偏移问题，即这些中心采集的眼底图像通常在色调、对比度和亮度上差异很大。为解决该问题，本文提出一种称为重构驱动动态细化网络(RDR-Net)的新型无监督域自适应(UDA)方法，其中采用双路径分割骨干同时进行边缘检测与区域预测，并设计三个模块以缓解域间隙。重构对齐(RA)模块使用变分自编码器(VAE)重构输入图像，从而以自监督方式提升网络的图像表征能力；还使用风格一致性约束迫使网络保留更多域不变信息。低级特征细化(LFR)模块采用输入特定的动态卷积抑制所获低级特征中的域变信息。预测图对齐(PMA)模块精心设计熵驱动对抗学习以鼓励网络生成类源的边界与区域。我们在四个公开眼底图像数据集上将RDR-Net与最先进方案对比评估。结果表明RDR-Net在分割性能与泛化能力上均优于竞争模型。
引用
@article{arxiv.2304.04581,
title = {Reconstruction-driven Dynamic Refinement based Unsupervised Domain Adaptation for Joint Optic Disc and Cup Segmentation},
author = {Ziyang Chen and Yongsheng Pan and Yong Xia},
journal= {arXiv preprint arXiv:2304.04581},
year = {2023}
}