用于图像分割的源松弛域适应
计算机视觉与模式识别
2021-04-09 v2
摘要
域适应（DA）因其能将标注源数据上训练的模型适配到来自不同域、无标注或弱标注目标数据上良好表现的能力而备受关注。最常见的DA技术需要同时访问源域与目标域的输入图像。然而在实践中，适应阶段源图像不可用的情况十分常见。这是医学影像中非常频繁的DA场景，例如源图像与目标图像来自不同临床站点。我们提出一种适配分割网络的新公式，放宽了该约束。我们的公式基于在目标域数据上定义的免标签熵损失最小化，并进一步以分割区域的域不变先验引导。可使用多种源自解剖信息的先验。此处，类比例先验通过辅助网络学习，并以Kullback-Leibler（KL）散度形式整合进总体损失函数。我们展示了先验感知熵最小化在跨不同MRI模态适配脊柱分割中的有效性。我们的方法取得了与若干最先进适应技术相当的结果，尽管其获取信息更少——适应阶段源图像缺失。我们直接的适应策略仅使用单一网络，不同于流行的对抗技术（后者在无源图像时无法执行）。我们的框架可轻易用于各种先验与分割问题。
引用
@article{arxiv.2005.03697,
title = {Source-Relaxed Domain Adaptation for Image Segmentation},
author = {Mathilde Bateson and Hoel Kervadec and Jose Dolz and Herve Lombaert and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:2005.03697},
year = {2021}
}