面向儿童脑肿瘤分割的无监督域迁移
图像与视频处理
2024-06-25 v1 计算机视觉与模式识别
摘要
针对成人低骨髓瘤已取得显著进展，构建精确自动分割模型。然而，这些模型常常在应用于儿童低骨髓瘤时性能下降，由于其影像和临床差异（域迁移）。获取足够的儿童低骨髓瘤标注数据通常困难，因为该疾病罕见。此外，手动标注也有限且昂贵。本文提出Domain-Adapted nnU-Net (DA-nnUNet) 用于从成人低骨髓瘤（源域）进行无监督域适应到儿童低骨髓瘤（目标域）。具体而言，我们在主干 nnU-Net 上添加一个与梯度反转层（GRL）相连的域分类器。一旦分类器达到非常高的准确率，GRL 就被激活，其目标是将来自分类器的域不变特征迁移到分割模型中，同时保持对源域的分割准确性。分类器的准确率会逐渐下降到随机水平。目标域不使用任何标注。该方法使用BraTS-成人低骨髓瘤数据（N=1251）和BraTS-儿童低骨髓瘤数据（N=99）进行与8种不同监督模型的比较。该方法在肿瘤核心（TC）区域显示出显著的性能提升：Dice 评分提高约32%，95百分位 Hausdorff 距离提高约20。此外，我们的无监督方法在TC区域与仅使用两个数据集手动标注的实用上限模型相比，没有统计学显著差异。代码已共享于https://github.com/Fjr9516/DA_nnUNet。
引用
@article{arxiv.2406.16848,
title = {Unsupervised Domain Adaptation for Pediatric Brain Tumor Segmentation},
author = {Jingru Fu and Simone Bendazzoli and Örjan Smedby and Rodrigo Moreno},
journal= {arXiv preprint arXiv:2406.16848},
year = {2024}
}
备注
10 pages, 4 figures, conference