从自规则到多适配：基于无监督域适应的结直肠癌组织检测的广义多源特征学习
计算机视觉与模式识别
2022-01-20 v2
摘要
监督学习受限于标注数据的可用性，而在数字病理学领域获取此类数据尤为昂贵。利用开源数据预训练或使用域适应可成为克服该问题的途径。然而，预训练网络常因组织染色、类型与纹理差异而无法泛化至分布不同的新测试域。此外，当前域适应方法主要依赖完全标注的源数据集。在本工作中，我们提出 Self-Rule to Multi-Adapt（SRMA），其利用自监督学习执行域适应，并去除了对完全标注源数据集的需求。SRMA 可有效将少量标注源域数据获得的判别性知识迁移至新目标域，无需额外组织标注。我们的方法通过捕获域内与跨域自监督的视觉相似性，利用两域结构。此外，我们给出方法的广义表述，使框架可从多源域学习。我们展示了所提方法在结直肠癌组织类型分类的单源与多源设定下优于基线域适应方法，并在内部临床队列上进一步验证。代码与训练模型开源可用：https://github.com/christianabbet/SRA。
引用
@article{arxiv.2108.09178,
title = {Self-Rule to Multi-Adapt: Generalized Multi-source Feature Learning Using Unsupervised Domain Adaptation for Colorectal Cancer Tissue Detection},
author = {Christian Abbet and Linda Studer and Andreas Fischer and Heather Dawson and Inti Zlobec and Behzad Bozorgtabar and Jean-Philippe Thiran},
journal= {arXiv preprint arXiv:2108.09178},
year = {2022}
}