在频域和空间域中缩小域差距以实现医学图像分割的跨模态域适应
计算机视觉与模式识别
2022-11-29 v1
摘要
无监督域适应（UDA）旨在训练一个在源域上训练的模型，并在无标签的目标域上表现良好。在医学图像分割领域，大多数现有的 UDA 方法依赖对抗学习来解决不同图像模态之间的域差距，但由于其训练过程复杂，效果不佳。本文提出了一种简单而有效的 UDA 方法，该方法基于多教师蒸馏框架下的频域和空间域迁移。在频域中，我们首先引入非下采样轮廓波变换来识别域不变和域可变的频率分量（DIF 和 DVF），然后保持 DIF 不变，同时将源域图像的 DVF 替换为目标域图像的 DVF，以缩小域差距。在空间域，我们提出了一种基于批量动量更新的直方图匹配策略，以减少域可变的图像风格偏差。在两个跨模态医学图像分割数据集（心脏、腹部）上的实验表明，与最先进的方法相比，我们提出的方法取得了优越的性能。
引用
@article{arxiv.2211.15235,
title = {Reducing Domain Gap in Frequency and Spatial domain for Cross-modality Domain Adaptation on Medical Image Segmentation},
author = {Shaolei Liu and Siqi Yin and Linhao Qu and Manning Wang},
journal= {arXiv preprint arXiv:2211.15235},
year = {2022}
}
备注
accepted at Thirty-Seventh AAAI Conference on Artificial Intelligence (AAAI-23)