基于范数与形状约束的无源无监督域自适应医学图像分割方法
图像与视频处理
2022-09-07 v1 计算机视觉与模式识别
摘要
无监督域自适应（UDA）是解决监督学习所需真值标签难以获取问题的关键技术之一。一般而言，UDA假设在训练过程中源域和目标域的所有样本均可用。然而，在涉及数据隐私问题的应用中，这一假设并不现实。为克服该局限，近期提出了无需源数据的UDA，即无源无监督域自适应（SFUDA）。本文提出一种面向医学图像分割的SFUDA方法。除UDA中常用的熵最小化方法外，我们引入了一种避免目标域特征范数过小的损失函数，以及用于保持目标器官形状约束的先验。我们使用包含多种源-目标域组合的数据集进行实验，以证明方法的通用性与鲁棒性。我们确认本方法在所有数据集上均优于当前最优（SOTA）方法。
引用
@article{arxiv.2209.01300,
title = {Source-Free Unsupervised Domain Adaptation with Norm and Shape Constraints for Medical Image Segmentation},
author = {Satoshi Kondo},
journal= {arXiv preprint arXiv:2209.01300},
year = {2022}
}