基于结构特征的无监督域适应神经元膜分割
计算机视觉与模式识别
2023-05-05 v1
摘要
电子显微镜（EM）图像中神经元边界的 AI 增强分割对于自动且准确的神经信息学研究至关重要。为增强典型深度学习框架在医学图像分析中有限的泛化能力，已应用无监督域适应（UDA）方法。在本工作中，我们提出提升 UDA 方法在 EM 图像跨域神经元膜分割上的性能。首先，我们设计了一个在适应过程中考虑结构特征的特征权重模块。其次，我们引入基于结构特征的超分辨率方法，通过调整跨域图像分辨率来缓解域间隙。第三，我们提出正交分解模块以促进域不变特征的提取。在两个域适应膜分割应用上的大量实验表明了我们所提方法的有效性。
引用
@article{arxiv.2305.02569,
title = {Unsupervised Domain Adaptation for Neuron Membrane Segmentation based on Structural Features},
author = {Yuxiang An and Dongnan Liu and Weidong Cai},
journal= {arXiv preprint arXiv:2305.02569},
year = {2023}
}
备注
This paper has been accepted by IEEE International Conference on Multimedia and Expo 2023 (IEEE ICME 2023) with 6 pages