通过解耦表示风格迁移与协作一致性学习实现跨模态视网膜血管分割的无监督域适应
图像与视频处理
2022-01-21 v3 计算机视觉与模式识别
摘要
各种深度学习模型已被开发用于从医学图像中分割解剖结构，但当在具有不同数据分布的另一个目标域上测试时，它们通常性能较差。近来，无监督域适应方法被提出以缓解这一所谓的域偏移问题，但其中大多数针对相对较小的域偏移场景设计，在遇到大域差距时可能失效。本文中，我们提出DCDA，一种用于大域偏移任务（例如从OCTA和OCT图像分割视网膜血管）的新型跨模态无监督域适应框架。DCDA主要由解耦表示风格迁移（DRST）模块和协作一致性学习（CCL）模块组成。DRST将图像分解为内容成分和风格编码，并执行风格迁移与图像重建。CCL包含两个分割模型，一个用于源域，另一个用于目标域。两个模型使用带标签数据（连同相应的迁移图像）进行有监督学习，并在无标签数据上执行协作一致性学习。每个模型聚焦于相应的单一域，旨在产生专业化的特定域分割模型。通过在视网膜血管分割上的大量实验，我们的框架在从OCTA到OCT以及从OCT到OCTA上都取得了接近目标域训练上限（oracle）的Dice分数，显著优于其他最先进方法。
引用
@article{arxiv.2201.04812,
title = {Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation via Disentangling Representation Style Transfer and Collaborative Consistency Learning},
author = {Linkai Peng and Li Lin and Pujin Cheng and Ziqi Huang and Xiaoying Tang},
journal= {arXiv preprint arXiv:2201.04812},
year = {2022}
}
备注
To be published in ISBI 2022