基于对抗网络的脑损伤分割无监督域适应
计算机视觉与模式识别
2016-12-30 v1
摘要
在利用机器学习为各种生物医学应用构建精确的自动分割系统方面已取得显著进展。然而，当这些系统应用于与训练数据不同的新数据时，例如由于成像协议的差异，其性能通常会下降。为每个测试域的新数据进行手动标注并非可行的解决方案。在本工作中，我们研究使用对抗神经网络进行无监督域适应，以训练一种对输入数据差异更具不变性且不需要测试域任何标注的分割方法。具体而言，我们通过学习对抗一个对抗网络来学习域不变特征，该对抗网络试图通过观察分割网络的激活值来对输入数据的域进行分类。此外，我们提出了一个多连接域判别器以改进对抗训练。我们的系统使用两个包含创伤性脑损伤受试者的 MR 数据库进行评估，这些数据是通过不同的扫描仪和成像协议采集的。使用我们的无监督方法，我们获得的分割精度接近有监督域适应的上界。
引用
@article{arxiv.1612.08894,
title = {Unsupervised domain adaptation in brain lesion segmentation with adversarial networks},
author = {Konstantinos Kamnitsas and Christian Baumgartner and Christian Ledig and Virginia F. J. Newcombe and Joanna P. Simpson and Andrew D. Kane and David K. Menon and Aditya Nori and Antonio Criminisi and Daniel Rueckert and Ben Glocker},
journal= {arXiv preprint arXiv:1612.08894},
year = {2016}
}