面向图像分割的无源域自适应
计算机视觉与模式识别
2022-05-18 v2
摘要
域自适应（DA）因其能够将基于有标签源数据训练的模型适配到来自不同域、标签缺失或弱标签的目标数据上良好工作而备受关注。最常见的 DA 技术需要同时访问源域和目标域的输入图像。然而在实践中，隐私问题常常阻碍在自适应阶段获取源图像。这是医学影像中非常常见的 DA 场景，例如源图像和目标图像可能来自不同的临床站点。我们提出了一种面向图像分割的无源域自适应方法。我们的方法基于最小化定义在目标域数据上的无标签熵损失，并进一步用分割区域的域不变先验来引导该损失。许多先验可从解剖信息中导出。此处，类别比例先验由解剖知识估计，并以 Kullback-Leibler（KL）散度的形式集成到我们的总体损失函数中。此外，我们通过目标图像与其标签预测之间互信息最大化的有趣联系来论证我们总体损失的合理性。我们在多种域自适应场景中展示了我们先验感知的熵最小化的有效性，涉及不同模态与应用，包括脊柱、前列腺和心脏分割。尽管我们的自适应阶段完全缺失源图像、可获取的信息少得多，我们的方法仍取得了与若干最先进自适应技术相当的结果。与流行的对抗技术（其不适用于无源 DA 设定）不同，我们直接的自适应策略仅使用单一网络。我们的框架可轻易用于广泛的分割问题，且我们的代码已公开：https://github.com/mathilde-b/SFDA
引用
@article{arxiv.2108.03152,
title = {Source-Free Domain Adaptation for Image Segmentation},
author = {Mathilde Bateson and Hoel Kervadec and Jose Dolz and Hervé Lombaert and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:2108.03152},
year = {2022}
}
备注
18 pages, 8 figures, submitted to Elsevier Medical Image Analysis