基于Transwarp对比学习的脑血管分割无监督域适应
计算机视觉与模式识别
2024-02-26 v1 机器学习
摘要
无监督域适应（UDA）旨在对齐标记源分布与未标记目标分布，以获得域不变的预测模型。由于跨模态医学数据显示出显著的样内和样间域偏移，并且大多数数据未标记，UDA在医学图像分析中既更重要又更具挑战性。本文提出了一种简单却高效的对比学习框架，用于UDA，以缩小标记源和未标记目标分布之间的域间差距。我们的方法在脑血管数据集上进行了验证。实验结果表明，我们的方法能够从标记的3DRA模态数据中学习潜在特征，并提高在未标记MRA模态数据上血管分割的性能。
引用
@article{arxiv.2402.15237,
title = {Unsupervised Domain Adaptation for Brain Vessel Segmentation through Transwarp Contrastive Learning},
author = {Fengming Lin and Yan Xia and Michael MacRaild and Yash Deo and Haoran Dou and Qiongyao Liu and Kun Wu and Nishant Ravikumar and Alejandro F. Frangi},
journal= {arXiv preprint arXiv:2402.15237},
year = {2024}
}
备注
Accepted by ISBI 2024