用于胸部 X 光分割中无监督域适应的语义感知生成对抗网络
计算机视觉与模式识别
2018-06-06 v2
摘要
尽管深度神经网络（DNNs）在医学图像计算方面取得了令人瞩目的成就，这些深度模型在应用于具有域偏移的新测试数据集时往往性能下降。本文通过设计语义感知生成对抗网络（GANs），提出了一种用于分割任务的新型无监督域适应方法。具体而言，我们将测试图像转换为源域的外观，同时很好地保留语义结构信息，这是通过在语义标签空间中施加嵌套对抗学习实现的。以此方式，从源域学习到的分割 DNN 能够直接推广到转换后的测试图像，无需为每个新目标数据集训练新模型。我们的域适应过程是无监督的，不使用任何目标域标签。我们网络的对抗学习由用于映射数据分布的 GAN 损失、用于保留像素级内容的循环一致性损失以及用于增强结构信息的语义感知损失引导。我们在两个不同的胸部 X 光公开数据集上验证了我们的方法用于左/右肺分割。实验结果表明，我们的无监督方法的分割性能与有监督迁移学习的上限极具竞争力。
引用
@article{arxiv.1806.00600,
title = {Semantic-Aware Generative Adversarial Nets for Unsupervised Domain Adaptation in Chest X-ray Segmentation},
author = {Cheng Chen and Qi Dou and Hao Chen and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1806.00600},
year = {2018}
}