无源数据的无监督跨域肺结节检测
计算机视觉与模式识别
2024-09-19 v2
摘要
跨域肺结节检测因源域与目标域间数据分布的巨大偏移而面临性能下降问题。此外，考虑到医学数据标注成本高昂，通常假定目标图像无标签。现有方法在此无监督域适应设定下已取得诸多进展。然而，该设定在医学应用中仍鲜具可行性，因为出于隐私考虑，源医学数据通常不可访问。这促使我们提出一种用于肺结节检测的无源无监督跨域方法（SUP），称为实例级对比指令微调框架（ICI）。它首先利用实例级对比学习将源模型适配到目标域。随后以师生交互方式训练适配后的模型，并引入加权熵损失以进一步提升精度。我们通过将预训练源模型适配到三个流行的肺结节检测数据集来建立基准。据我们所知，这代表了医学图像目标检测中无源无监督域适应的首次探索。我们的大量评估表明，SUP-ICI 大幅超越现有最先进方法，FROC 分数提升幅度达 8.98% 至 16.05%。这一突破不仅为医学成像中的域适应技术树立新典范，也显著推动该领域克服数据隐私与可用性带来的挑战。代码：https://github.com/Ruixxxx/SFUDA。
引用
@article{arxiv.2304.01085,
title = {Unsupervised Cross-domain Pulmonary Nodule Detection without Source Data},
author = {Rui Xu and Yong Luo and Bo Du},
journal= {arXiv preprint arXiv:2304.01085},
year = {2024}
}