无监督域自适应用于解剖标志点检测
计算机视觉与模式识别
2023-08-28 v1
摘要
近年来，解剖标志点检测在单域数据上取得了很大进展，其通常假设训练集与测试集来自同一域。然而，该假设在实践中并非总成立，会因域偏移导致显著性能下降。为解决此问题，我们提出一种在无监督域自适应（UDA）设定下的解剖标志点检测新框架，旨在将知识从有标注源域迁移至无标注目标域。该框架利用自训练与域对抗学习来应对自适应过程中的域鸿沟。具体而言，提出一种自训练策略，以动态阈值筛选目标域数据中可靠的标志点级伪标签，使自适应更有效。此外，设计域对抗学习模块，通过对抗训练学习域不变特征，以处理两域未对齐的数据分布。我们在头颅侧位与肺部标志点检测上的实验显示了方法的有效性，其大幅缩小域鸿沟并一致优于其他 UDA 方法。代码见 https://github.com/jhb86253817/UDA_Med_Landmark。
引用
@article{arxiv.2308.13286,
title = {Unsupervised Domain Adaptation for Anatomical Landmark Detection},
author = {Haibo Jin and Haoxuan Che and Hao Chen},
journal= {arXiv preprint arXiv:2308.13286},
year = {2023}
}
备注
Accepted to MICCAI 2023