用于巴雷特食管分割的无监督对抗域适应
图像与视频处理
2020-12-11 v1 计算机视觉与模式识别
机器学习
摘要
巴雷特食管（BE）是食管癌的早期指征之一。BE患者接受监测并施行消融治疗以最小化风险，因此精确识别BE区域至关重要。自动分割可帮助临床内镜医师更准确地评估和治疗BE区域。BE的内镜成像除常规白光（WL）模态外还可包含多种模态。监督模型需要大量融合训练数据中所有可变性的手动标注。然而，生成手动标注繁琐、乏味且劳动密集，此外还需要模态特定的专业知识。本工作中，我们旨在通过应用无监督域适应技术（UDA）缓解该问题。此处，UDA以白光内镜图像作为源域进行训练，并良好适应以推广到不同成像模态（即窄带成像和醋酸白光成像）作为目标域上产生分割。我们的数据集共包含871幅图像，涵盖源域和目标域。结果表明，基于UDA的方法在Dice相似系数和交并比上均优于传统监督U-Net分割近10%。
引用
@article{arxiv.2012.05316,
title = {Unsupervised Adversarial Domain Adaptation For Barrett's Segmentation},
author = {Numan Celik and Soumya Gupta and Sharib Ali and Jens Rittscher},
journal= {arXiv preprint arXiv:2012.05316},
year = {2020}
}
备注
5 pages, 3 figures, conference paper