基于对抗损失的ConvNets无监督跨模态域适应用于生物医学图像分割
计算机视觉与模式识别
2018-06-20 v2
摘要
卷积网络(ConvNets)已在各种具有挑战性的视觉任务中取得巨大成功。然而,当遇到域偏移时,ConvNets的性能会下降。在生物医学图像分析领域,跨模态数据具有差异很大的分布,域适应虽更为重要但也更具挑战性。鉴于医学数据标注尤其昂贵,有监督迁移学习方法并不十分理想。本文提出一种基于对抗学习的无监督域适应框架,用于跨模态生物医学图像分割。具体而言,我们的模型基于扩张全卷积网络进行像素级预测。此外,我们构建了一个即插即用的域适应模块(DAM),将目标输入映射到与源域特征空间对齐的特征。设立域判别模块(DCM)以判别两域的特征空间。我们通过对抗损失优化DAM和DCM,无需使用任何目标域标签。我们提出的方法通过将基于MRI图像训练的ConvNet适配到未配对的CT数据用于心脏结构分割进行了验证,并取得了非常有前景的结果。
引用
@article{arxiv.1804.10916,
title = {Unsupervised Cross-Modality Domain Adaptation of ConvNets for Biomedical Image Segmentations with Adversarial Loss},
author = {Qi Dou and Cheng Ouyang and Cheng Chen and Hao Chen and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1804.10916},
year = {2018}
}
备注
IJCAI 2018