SMC-UDA：用于无监督跨域肾脏分割的结构-模态约束
计算机视觉与模式识别
2023-06-16 v1 人工智能
摘要
基于深度学习的医学图像分割在部署于不同域的图像时常常失效。域适应方法旨在解决域偏移挑战，但仍面临一些问题。迁移学习方法需要在目标域上进行标注，而生成式无监督域适应（UDA）模型忽略了域特定表示，其生成质量严重制约分割性能。在本研究中，我们提出一种基于判别范式的新颖结构-模态约束（SMC）UDA 框架，并引入边缘结构作为域间桥梁。所提出的多模态学习主干从图像纹理中蒸馏结构信息，以区分域不变边缘结构。借助结构约束自学习与渐进式 ROI，我们的方法通过定位边缘的 3D 空间结构来分割肾脏。我们在公共肾脏分割数据集上评估了 SMC-UDA，从有标注的源域（CT）适应到无标注的目标域（CT/MRI）。实验表明，我们提出的 SMC-UDA 具有强泛化性，并优于生成式 UDA 方法。
引用
@article{arxiv.2306.08213,
title = {SMC-UDA: Structure-Modal Constraint for Unsupervised Cross-Domain Renal Segmentation},
author = {Zhusi Zhong and Jie Li and Lulu Bi and Li Yang and Ihab Kamel and Rama Chellappa and Xinbo Gao and Harrison Bai and Zhicheng Jiao},
journal= {arXiv preprint arXiv:2306.08213},
year = {2023}
}
备注
conference