SDC-UDA：面向切片方向连续的跨模态医学图像体数据无监督域适应框架
计算机视觉与模式识别
2023-05-19 v1
摘要
近年来，基于深度学习的医学图像分割研究在以全监督方式下取得了接近人类水平的性能。然而，在医学影像领域获取像素级专家标注极其昂贵且费力。无监督域适应（UDA）可缓解此问题，其使得利用一种成像模态下的标注数据训练网络、并能在无标签的目标成像模态上成功执行分割成为可能。本工作中，我们提出 SDC-UDA，一个简洁而有效的体数据 UDA 框架，用于切片方向连续的跨模态医学图像分割，它结合了片内与片间自注意力图像翻译、不确定性约束伪标签精炼以及体数据自训练。我们的方法区别于既往医学图像分割 UDA 方法之处在于，其可获得切片方向上的连续分割，从而在临床实践中保障更高的精度与潜力。我们在多个公开可用的跨模态医学图像分割数据集上验证了 SDC-UDA，取得了最先进的分割性能，更不必说相较于既往研究在预测切片方向连续性上的优越性。
引用
@article{arxiv.2305.11012,
title = {SDC-UDA: Volumetric Unsupervised Domain Adaptation Framework for Slice-Direction Continuous Cross-Modality Medical Image Segmentation},
author = {Hyungseob Shin and Hyeongyu Kim and Sewon Kim and Yohan Jun and Taejoon Eo and Dosik Hwang},
journal= {arXiv preprint arXiv:2305.11012},
year = {2023}
}
备注
10 pages, 7 figures, CVPR 2023