面向不同域的超声舌轮廓提取迁移学习

医学超声技术广泛应用于常规临床实践，如疾病诊断与治疗，以及第二语言训练中通过实时监测人类舌形与运动提供视觉反馈等其他应用。由于超声图像的低对比度特性和噪声本质，非专业用户可能需要专业知识才能识别舌位。手动舌分割是一项繁琐、主观且易出错的任务，且对于实时应用并非可行方案。近几年来，深度学习方法已被用于舌背轮廓的勾勒与追踪。深度卷积神经网络（DCNN）在医学图像分析任务中已展现出成功，但通常在不同域上的同一任务中表现较弱。在许多情况下，使用一种超声设备采集的数据训练的DCNN，在数据来自不同超声设备或采集协议时表现不佳。域自适应是解决这一困难的替代方案，通过将在大规模标注遗留数据集上训练的模型权重迁移到新模型，并利用微调使其适应另一个不同的数据集。在本研究中，经过大量实验，我们针对小规模超声数据集上的舌轮廓提取问题，探讨了域自适应。我们从头训练了一个由编码器-解码器路径组成的U-net网络，然后通过几种替代场景，将训练好的网络的某些部分在另一个数据集上进行微调，作为域自适应网络。我们重复从目标域到源域的场景，以寻找从源域到目标域以及反向知识迁移的平衡点。新微调网络的性能在同一任务上使用来自不同域的图像进行了评估。