基于一致性正则化解耦对比学习的半监督域自适应医学图像分割
计算机视觉与模式识别
2023-07-07 v1 人工智能
摘要
尽管无监督域适应(UDA)是缓解域偏移的一个有前景方向,但其性能仍不及有监督对应方法。本文研究较少被探索的半监督域适应(SSDA)在医学图像分割中的应用,其中获取少量标注目标样本可显著提升适应性能。具体而言,我们提出一个两阶段训练过程。首先,采用一种新颖的域-内容解耦对比学习(CL)以及像素级特征一致性约束,以自学习范式预训练编码器。所提 CL 强制编码器从源图像与目标图像中在全局尺度上学习具判别性的内容特定但域不变的语义,而一致性正则化通过保持空间敏感性来强制挖掘局部像素级信息。该预训练编码器与解码器进一步采用半监督设置针对下游任务(即像素级分割)进行微调。此外,我们通过实验验证所提方法可轻易扩展至 UDA 设置,增添了该策略的优越性。在两个域自适应图像分割任务上的评估表明,所提方法在 SSDA 与 UDA 设置下均优于 SOTA 方法。代码见 https://github.com/hritam-98/GFDA-disentangled
引用
@article{arxiv.2307.02798,
title = {Semi-supervised Domain Adaptive Medical Image Segmentation through Consistency Regularized Disentangled Contrastive Learning},
author = {Hritam Basak and Zhaozheng Yin},
journal= {arXiv preprint arXiv:2307.02798},
year = {2023}
}
备注
Paper accepted at MICCAI 2023