SL：源自由域适应中用于医学图像分割的稳定学习
计算机视觉与模式识别
2023-07-25 v1 人工智能
摘要
用于医学图像分析的深度学习技术通常受限于源域与目标域数据间的域偏移。多数现有工作聚焦于无监督域适应（UDA）。然而在实际应用中，隐私问题更为严峻。例如，不同医院数据因设备问题存在域偏移，且受隐私限制两域数据无法同时可用。在此被定义为源自由UDA的挑战下，既往UDA医学方法受限。尽管已提出多种医学源自由无监督域适应（MSFUDA）方法，我们发现其陷入了一种称为“训练越久，性能越差”的过拟合困境。因此，我们提出稳定学习（SL）策略以化解该困境。SL为一种可扩展方法，可与其他研究集成，其由权重巩固与熵增两部分组成。首先，我们应用权重巩固以保留域不变知识，随后设计熵增以避免过学习。对比实验证明了SL的有效性。我们还进行了充分的消融实验。此外，我们将发布包含多种MSFUDA方法的代码。
引用
@article{arxiv.2307.12580,
title = {SL: Stable Learning in Source-Free Domain Adaption for Medical Image Segmentation},
author = {Yixin Chen and Yan Wang},
journal= {arXiv preprint arXiv:2307.12580},
year = {2023}
}