基于半监督对比学习的无监督跨模态域适应用于前庭神经鞘瘤分割与 Koos 分级预测
计算机视觉与模式识别
2022-10-11 v1
摘要
域适应已被广泛采用以跨多厂商和多中心迁移风格，并补全缺失模态。在本挑战中，我们提出了一种用于跨模态前庭神经鞘瘤（VS）与耳蜗分割及 Koos 分级预测的无监督域适应框架。我们从 ceT1 与 hrT2 图像中学习共享表示并从潜表示中恢复另一模态，同时利用 VS 分割与脑分区代理任务来约束域适应中图像结构的一致性。在生成缺失模态后，采用 nnU-Net 模型进行 VS 与耳蜗分割，而采用半监督对比学习预训练方法来提升 Koos 分级预测的模型性能。在 CrossMoDA 验证阶段排行榜上，我们的方法在任务 1 以平均 Dice 分数 0.8394 获得第 4 名，在任务 2 以宏平均均方误差 0.3941 获得第 2 名。我们的代码可在 https://github.com/fiy2W/cmda2022.superpolymerization 获取。
引用
@article{arxiv.2210.04255,
title = {Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma Segmentation and Koos Grade Prediction based on Semi-Supervised Contrastive Learning},
author = {Luyi Han and Yunzhi Huang and Tao Tan and Ritse Mann},
journal= {arXiv preprint arXiv:2210.04255},
year = {2022}
}