基于原型锚定特征对齐与对比学习的无源域适应医学图像分割
计算机视觉与模式识别
2023-07-20 v1
摘要
无监督域适应（UDA）因其将已标注源域中学到的知识迁移至未标注目标域的能力而日益受到关注。然而，典型 UDA 方法需要同时访问源域和目标域数据，这在源数据常因隐私问题不可得的医疗场景中极大限制了其应用。为解决源数据缺失问题，我们提出一种用于医学图像分割的新型两阶段无源域适应（SFDA）框架，在域适应期间仅有一个训练良好的源分割模型和未标注目标数据可用。具体而言，在原型锚定特征对齐阶段，我们首先利用预训练像素级分类器的权重作为源原型，其保留了源特征的信息。随后，我们引入双向传输，通过最小化期望代价将目标特征与类原型对齐。在此基础上，进一步设计对比学习阶段，利用那些预测不可靠的像素获得更紧凑的目标特征分布。在跨模态医学分割任务上的大量实验表明，与最先进的 SFDA 方法甚至某些 UDA 方法相比，我们的方法在较大域差异设定下具有优越性。代码见 https://github.com/CSCYQJ/MICCAI23-ProtoContra-SFDA。
引用
@article{arxiv.2307.09769,
title = {Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning},
author = {Qinji Yu and Nan Xi and Junsong Yuan and Ziyu Zhou and Kang Dang and Xiaowei Ding},
journal= {arXiv preprint arXiv:2307.09769},
year = {2023}
}
备注
Accepted by MICCAI23