基于深度协同图像与特征对齐的无监督双向跨模态自适应医学图像分割
图像与视频处理
2020-02-07 v1 计算机视觉与模式识别
摘要
无监督域自适应在医学图像计算中日益受到关注，旨在解决深度神经网络部署到具有异质特征的未见过数据时的性能退化问题。本工作中，我们提出一种名为协同图像与特征对齐（SIFA）的新型无监督域自适应框架，以有效地将分割网络自适应到无标签目标域。我们提出的 SIFA 从图像和特征两个视角对域进行协同对齐。具体而言，我们通过多方面利用对抗学习及深度监督机制，同时跨域变换图像外观并增强所提取特征的域不变性。特征编码器在两个自适应视角间共享，以通过端到端学习发挥它们的相互益处。我们针对 MRI 与 CT 图像间的双向跨模态自适应，以心脏亚结构分割和腹部多器官分割广泛评估了我们的方法。两项不同任务的实验结果表明，我们的 SIFA 方法能有效提升无标签目标图像的分割性能，并以较大优势超越最先进的域自适应方法。
引用
@article{arxiv.2002.02255,
title = {Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation},
author = {Cheng Chen and Qi Dou and Hao Chen and Jing Qin and Pheng Ann Heng},
journal= {arXiv preprint arXiv:2002.02255},
year = {2020}
}
备注
IEEE TMI