SFHarmony：面向分布式神经影像分析的无源域适应方法
计算机视觉与模式识别
2023-03-29 v1 机器学习
摘要
为了表征临床神经影像群体的生物学变异性，能够跨扫描仪与研究整合数据至关重要。然而，不同的 MRI 扫描仪产生的图像具有不同特性，导致称为“ harmonisation 问题”的域偏移。此外，神经影像数据本质上具有个人属性，在共享数据时引发数据隐私担忧。为克服这些障碍，我们提出了一种无监督无源域适应（SFDA）方法，SFHarmony。通过将成像特征建模为高斯混合模型，并最小化源域与目标域特征之间经调整的 Bhattacharyya 距离，我们可以创建一个在目标数据上表现良好、同时在各数据域间具有共享特征表示、且无需访问源数据进行适应或目标标签的模型。我们在模拟与真实域偏移上展示了我们方法的性能，表明该方法适用于分类、分割与回归任务，无需对算法做任何改动。我们的方法在一系列现实数据场景下优于现有 SFDA 方法，展示了我们的方法在 MRI 协调及一般 SFDA 问题上的潜在效用。我们的代码可在 \url{https://github.com/nkdinsdale/SFHarmony} 获取。
引用
@article{arxiv.2303.15965,
title = {SFHarmony: Source Free Domain Adaptation for Distributed Neuroimaging Analysis},
author = {Nicola K Dinsdale and Mark Jenkinson and Ana IL Namburete},
journal= {arXiv preprint arXiv:2303.15965},
year = {2023}
}