面向特定目标与任务的源无关域自适应图像分割
计算机视觉与模式识别
2023-03-14 v2
摘要
在推理过程中解决域偏移问题在医学影像中至关重要，因为大多数基于深度学习的解决方案都受其困扰。在实践中，域偏移通常通过无监督域自适应（UDA）来解决，即利用有标签的源数据将模型适配到无标签的目标域。在医学场景中，数据涉及巨大的隐私问题，使得标准UDA技术难以应用。因此，更贴近临床实际的设定是源无关UDA（SFUDA），即我们在适配过程中可访问源训练模型但无法访问源数据。现有SFUDA方法依赖基于伪标签的自训练技术来解决域偏移。然而，这些伪标签常因域偏移而具有高熵，用含噪伪标签适配源模型会导致次优性能。为克服此局限，我们提出了一种系统的两阶段SFUDA方法，包括目标特定适配和任务特定适配。在目标特定适配中，我们通过所提出的集成熵最小化损失和选择性投票策略最小化高熵区域，从而增强伪标签生成。在任务特定适配中，我们利用学生-教师框架基于增强的伪标签有效学习目标域上的分割。我们在2D眼底数据集和3D MRI体数据上跨越7种不同域偏移评估了所提方法，其表现优于现有的医学图像分割UDA和SFUDA方法。代码见https://github.com/Vibashan/tt-sfuda。
引用
@article{arxiv.2203.15792,
title = {Target and Task specific Source-Free Domain Adaptive Image Segmentation},
author = {Vibashan VS and Jeya Maria Jose Valanarasu and Vishal M. Patel},
journal= {arXiv preprint arXiv:2203.15792},
year = {2023}
}