基于双教师多目标域适应的学生在视网膜血管分割中成为十项全能高手
图像与视频处理
2022-10-13 v3 计算机视觉与模式识别
摘要
无监督域适应近来被提出以应对训练数据与测试数据分布不同所导致的所谓域偏移问题。然而，现有方法大多仅关注单目标域适应，无法应用于多目标域的场景。本文中，我们提出 RVms，一种新颖的无监督多目标域适应方法，用于从多模态、多中心的视网膜图像中分割视网膜血管（RVs）。RVms 主要由风格增强与迁移（SAT）模块和双教师知识蒸馏（DTKD）模块构成。SAT 通过贝塞尔和傅里叶变换将图像增强并聚类为源相似域和源不相似域。DTKD 利用增强和变换后的数据训练两名教师，一名用于源相似域，另一名用于源不相似域。随后执行知识蒸馏，将不同域知识迭代地从教师蒸馏到一个通用学生模型中。局部相对强度变换被用于以域不变的方式刻画视网膜血管，并提升教师与学生模型的泛化能力。此外，我们基于现有公开数据集构建了一个新的多模态多中心血管分割数据集，可用于基准评测各类域适应与域泛化方法。大量实验表明，RVms 在视网膜血管分割上非常接近目标训练 Oracle，大幅优于其他最先进的方法。
引用
@article{arxiv.2203.03631,
title = {Student Becomes Decathlon Master in Retinal Vessel Segmentation via Dual-teacher Multi-target Domain Adaptation},
author = {Linkai Peng and Li Lin and Pujin Cheng and Huaqing He and Xiaoying Tang},
journal= {arXiv preprint arXiv:2203.03631},
year = {2022}
}
备注
To be published in MICCAI-MLMI 2022