基于特征空间密度匹配的无监督域适应医学图像分割
计算机视觉与模式识别
2023-07-10 v2
摘要
语义分割是自动图像解译与分析中的关键步骤，其将像素分类为一个或多个预定义的语义有意义类别。用于语义分割的深度学习方法依赖于利用标注图像学习表征这些语义类别的特征。然而，当训练（即源）数据与部署时所遇数据集（即目标）之间存在显著的域（即分布）偏移时，它们往往难以泛化，需对目标数据进行人工标注方可达到可接受性能。这在医学影像中尤为关键，因为不同成像模态因协议与设备差异而具有显著的站点内与站点间变异。当前技术对超参数调优与目标数据集规模敏感。本文提出一种用于语义分割的无监督域适应方法，免除了标注目标数据的需要。利用核密度估计，我们将目标数据分布与源数据在特征空间中进行匹配，尤其在目标样本数量有限（目标数据集规模的 3%）时。我们在两个数据集（多站点前列腺 MRI 与组织病理学图像）上展示了所提方法的有效性。
引用
@article{arxiv.2305.05789,
title = {Unsupervised Domain Adaptation for Medical Image Segmentation via Feature-space Density Matching},
author = {Tushar Kataria and Beatrice Knudsen and Shireen Elhabian},
journal= {arXiv preprint arXiv:2305.05789},
year = {2023}
}