基于条件域自适应的真正可泛化放射图像分割
计算机视觉与模式识别
2019-12-10 v4
摘要
生物医学图像的数字化的技术在放射学检查中产生了不同的视觉模式。这些差异可能妨碍基于这些数据驱动的推断方法（如深度神经网络）的使用。该领域中另一个显著困难是缺乏标注数据，尽管在许多情况下存在大量可用的未标注数据。因此，提升这些方法泛化能力的重要一步是在不同生物医学图像数据集之间执行无监督与半监督域自适应。为解决这个问题，本文提出一种用于生物医学图像分割的无监督与半监督域自适应方法，该方法使用生成对抗网络（GAN）进行无监督图像翻译。我们将这些无监督网络与有监督深度语义分割架构相融合，以创建一种能够在有标注时从标注与未标注数据中学习的半监督方法。我们使用多个域、数据集、分割任务和传统基线（如基于无监督距离的方法，以及有微调与无微调重用预训练模型）对我们的方法进行比较。我们在实验评估所考虑的不同场景下对提出的方法和基线进行定量与定性分析。所提方法在标注数据稀缺场景下展现出始终优于基线的结果，在大多数任务中达到大于 0.9 的 Jaccard 值以及良好的分割质量。观察到无监督域自适应结果接近于传统微调预训练网络流程中所用的全监督域自适应。
引用
@article{arxiv.1901.05553,
title = {Truly Generalizable Radiograph Segmentation with Conditional Domain Adaptation},
author = {Hugo Oliveira and Edemir Ferreira and Jefersson A. dos Santos},
journal= {arXiv preprint arXiv:1901.05553},
year = {2019}
}