基于解耦的半监督元学习用于域泛化医学图像分割
计算机视觉与模式识别
2021-10-05 v3
摘要
将深度模型泛化到来自新中心(此处称为域)的新数据仍然是一项挑战。这主要归因于源域与未见域之间数据统计的偏移(域偏移)。近来,基于梯度的元学习方法通过将训练数据划分为元训练与元测试集以在训练中模拟并处理域偏移,已展现出改进的泛化性能。然而,当前的全监督元学习方法对于医学图像分割而言不可扩展,因为创建像素级标注需要大量工作。同时,在低数据情形下,所模拟的域偏移可能无法很好地近似源域与未见域之间的真实域偏移。为解决此问题,我们提出了一种新颖的带解耦的半监督元学习框架。我们显式地对与域偏移相关的表示进行建模。将表示解耦并组合以重建输入图像,使得未标注数据可用于更好地近似真实域偏移以用于元学习。因此,该模型可实现更好的泛化性能,尤其在标注数据有限时。实验表明,所提方法在不同分割任务上均具鲁棒性,并在两个公开基准上达到了最先进的泛化性能。
引用
@article{arxiv.2106.13292,
title = {Semi-supervised Meta-learning with Disentanglement for Domain-generalised Medical Image Segmentation},
author = {Xiao Liu and Spyridon Thermos and Alison O'Neil and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2106.13292},
year = {2021}
}
备注
MICCAI 2021 Oral