面向心脏分割的无监督域适应：迈向结构互信息最大化
图像与视频处理
2023-05-31 v3 计算机视觉与模式识别
摘要
无监督域适应方法近来在各种医学图像分割任务中取得了成功。已有文献通常通过对齐域不变特征并最小化域特定差异来解决域偏移问题。当特定域之间以及不同域之间的差异较小时，该策略表现良好。然而，这些模型在多样化成像模态上的泛化能力仍是一项重大挑战。本文提出 UDA-VAE++，一种用于心脏分割的无监督域适应框架，具有紧凑的损失函数下界。为估计这一新下界，我们设计了新颖的结构互信息估计（SMIE）模块，包含全局估计器、局部估计器与先验信息匹配估计器，以最大化重建任务与分割任务之间的互信息。具体而言，我们设计了一种新颖的序列重参数化方案，使信息流能从低分辨率潜空间流向高分辨率潜空间并实现方差校正。在基准心脏分割数据集上的综合实验表明，我们的模型在定性与定量上均优于以往的 SOTA。代码见 https://github.com/LOUEY233/Toward-Mutual-Information
引用
@article{arxiv.2204.09334,
title = {Unsupervised Domain Adaptation for Cardiac Segmentation: Towards Structure Mutual Information Maximization},
author = {Changjie Lu and Shen Zheng and Gaurav Gupta},
journal= {arXiv preprint arXiv:2204.09334},
year = {2023}
}
备注
CVPR Workshop Paper v3: Fix some description errors