基于优化轨迹蒸馏的医学影像分类体系自适应跨域适应
计算机视觉与模式识别
2023-07-28 v1
摘要
自动化医学图像分析的成功依赖于大规模且由专家标注的训练集。无监督域适应（UDA）已被提出作为一种有前景的方法，以缓解标注数据收集的 burden。然而，它们通常在闭集适应设定下运作，假设源域与目标域之间具有相同的标签集，这在临床实践中过于严格，因为由于分类体系不一致，数据集中普遍存在新类别。尽管已有若干方法被提出以应对域偏移和不一致的标签集，但它们均未考虑这两个问题的共同特征，也未考虑网络训练过程中的学习动态。在本工作中，我们提出优化轨迹蒸馏，一种从新视角解决这两类技术挑战的统一方法。它利用梯度空间的低秩特性，并设计了一种双流蒸馏算法，以从可靠来源获得的外部引导来正则化标注不足的域和类别的学习动态。我们的方法解决了网络优化过程中导航不足的问题，这是分类体系自适应跨域适应场景中的主要障碍。我们在多个面向临床和开放世界意义的不同端点的任务上广泛评估了所提出的方法。结果表明其相对于先前方法的有效性和改进。
引用
@article{arxiv.2307.14709,
title = {Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation},
author = {Jianan Fan and Dongnan Liu and Hang Chang and Heng Huang and Mei Chen and Weidong Cai},
journal= {arXiv preprint arXiv:2307.14709},
year = {2023}
}
备注
ICCV 2023