用于跨模态脑肿瘤分割的自语义轮廓自适应
计算机视觉与模式识别
2022-01-14 v1 人工智能
机器学习
摘要
在两个差异显著的领域之间进行无监督域自适应 (UDA) 以学习高层语义对齐是一项关键且具有挑战性的任务。为此，在本工作中，我们提出利用低层边缘信息作为前驱任务来促进自适应，与语义分割相比，该任务具有较小的跨域鸿沟。精确的轮廓随后提供空间信息以引导语义自适应。更具体地，我们提出一个多任务框架，用于学习一个轮廓自适应网络与一个语义分割自适应网络，其以磁共振成像 (MRI) 切片及其初始边缘图作为输入。这两个网络利用源域标签联合训练，并在特征与边缘图层面进行对抗学习以实现跨域对齐。此外，引入了自熵最小化以进一步增强分割性能。我们在 BraTS2018 数据库上评估了我们的框架用于脑肿瘤的跨模态分割，结果表明与对比方法相比，我们的方法有效且更优。
引用
@article{arxiv.2201.05022,
title = {Self-semantic contour adaptation for cross modality brain tumor segmentation},
author = {Xiaofeng Liu and Fangxu Xing and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2201.05022},
year = {2022}
}
备注
Accepted to ISBI 2022