面向跨模态腹部多器官分割的无源无监督域自适应方法
计算机视觉与模式识别
2022-05-31 v4
摘要
在腹部多器官分割中，域自适应对于将知识从有标签的源 CT 数据集迁移到无标签的目标 MR 数据集至关重要。同时，避免与目标数据集相关的高昂标注成本并保护源数据集隐私也极具价值。因此，我们提出了一种无需访问源数据集的有效无源无监督域自适应方法，用于跨模态腹部多器官分割。所提框架包含两个阶段。第一阶段，开发了结合熵最小化的特征图统计引导模型自适应，以帮助顶层分割网络可靠地分割目标图像。顶层分割网络输出的伪标签用于引导风格补偿网络生成类源图像。中间分割网络输出的伪标签用于监督期望模型（底层分割网络）的学习过程。第二阶段，利用循环学习和像素自适应掩膜细化进一步提升期望模型的性能。通过此方法，我们取得了令人满意的腹部多器官分割性能，优于现有最先进的域自适应方法。所提方法可轻松扩展至存在目标标注数据的情形。仅需一个带标签的 MR 体积，其性能即可与监督学习相媲美。此外，所提方法被证明在反向无源无监督域自适应中同样有效。
引用
@article{arxiv.2111.12221,
title = {Source-free unsupervised domain adaptation for cross-modality abdominal multi-organ segmentation},
author = {Jin Hong and Yu-Dong Zhang and Weitian Chen},
journal= {arXiv preprint arXiv:2111.12221},
year = {2022}
}