基于联合对抗学习与自学习的跨模态肝脏分割无监督域适应
计算机视觉与模式识别
2022-02-25 v3 图像与视频处理
摘要
在计算机断层扫描(CT)与磁共振成像(MRI)图像上进行肝脏分割,对肝脏疾病的临床管理具有重要作用。与 MRI 相比,肝脏 CT 图像更丰富且易获取。然而,MRI 相比 CT 可提供更丰富的肝脏定量信息。因此,期望实现无监督域适应,将已学知识从含标注 CT 图像的源域迁移至含无标注 MR 图像的目标域。本文提出一种新颖的基于联合对抗学习与自学习的跨模态肝脏分割无监督域适应框架。我们提出具有事后识别方式的联合语义感知与形状熵感知对抗学习,以隐式对齐从目标域提取的任务相关特征分布与源域提取的分布。在所提框架中,网络以无监督方式用上述两种对抗损失训练,随后采用伪标签生成的均值补全器产生伪标签以训练下一个网络(期望模型)。此外,提出语义感知对抗学习及两种自学习方法(包括像素自适应掩码细化与学生-伙伴学习)来训练期望模型。为提升期望模型的鲁棒性,提出低信号增强函数将 MRI 图像变换作为期望模型输入以处理困难样本。使用公共数据集,我们的实验表明所提无监督域适应框架达到了四种监督学习方法水平,Dice 得分为 0.912 ± 0.037(均值 ± 标准差)。
引用
@article{arxiv.2109.05664,
title = {Unsupervised domain adaptation for cross-modality liver segmentation via joint adversarial learning and self-learning},
author = {Jin Hong and Simon Chun-Ho Yu and Weitian Chen},
journal= {arXiv preprint arXiv:2109.05664},
year = {2022}
}