面向 OCT 图像层分割的不确定性引导域对齐方法
计算机视觉与模式识别
2019-09-02 v2
摘要
对视网膜和脉络膜层进行自动且精确的光学相干断层扫描（OCT）分割，对于检测多种眼部疾病至关重要。然而，由于不同设备间的差异，来自不同制造商的 OCT 数据可能存在外观差异，这可能导致深度神经网络的性能波动。本文提出一种不确定性引导的域对齐方法，旨在缓解此问题，从而跨不同域迁移判别性知识。我们设计了一种新颖的不确定性引导交叉熵损失，以提升高不确定性区域的性能。针对自训练（ST）开发了一种不确定性引导的课程迁移策略，将不确定性视为高效且有效的引导，以优化目标域中的学习过程。应用带有特征重校准模块（FRM）的对抗学习，自适应地从域特征空间迁移信息性知识。在两个 OCT 数据集上的实验表明，与基线模型相比，所提方法能取得显著的 segmentation 改进。
引用
@article{arxiv.1908.08242,
title = {Uncertainty-Guided Domain Alignment for Layer Segmentation in OCT Images},
author = {Jiexiang Wang and Cheng Bian and Meng Li and Xin Yang and Kai Ma and Wenao Ma and Jin Yuan and Xinghao Ding and Yefeng Zheng},
journal= {arXiv preprint arXiv:1908.08242},
year = {2019}
}