基于涂鸦的协同分割域适应
计算机视觉与模式识别
2020-11-05 v2
摘要
尽管深度卷积网络在许多医学图像分割任务中达到了最先进的性能，它们通常表现出较差的泛化能力。为能够从一个域（例如一种成像模态）泛化到另一个域，必须进行域适应。虽然监督方法可能带来良好性能，但它们需要对额外数据进行完整标注，这在实际中或许不可行。相比之下，无监督方法不需要额外标注，但通常不稳定且难以训练。在本工作中，我们提出一种新颖的弱监督方法。我们不使用耗时但细致的标注，而是利用目标域上的涂鸦来进行域适应。本文引入了基于结构化学习与协同分割的域适应新形式。得益于正则化损失的引入，我们的方法易于训练。该框架在前庭神经鞘瘤分割（T1 到 T2 扫描）上进行了验证。我们提出的方法优于无监督方法，并达到了与全监督方法相当的性能。
引用
@article{arxiv.2007.03632,
title = {Scribble-based Domain Adaptation via Co-segmentation},
author = {Reuben Dorent and Samuel Joutard and Jonathan Shapey and Sotirios Bisdas and Neil Kitchen and Robert Bradford and Shakeel Saeed and Marc Modat and Sebastien Ourselin and Tom Vercauteren},
journal= {arXiv preprint arXiv:2007.03632},
year = {2020}
}
备注
Accepted at MICCAI 2020