面向生物医学图像分割的基于类别原型对齐器的无监督域自适应网络
计算机视觉与模式识别
2021-03-04 v1
摘要
随着深度学习在生物医学图像分割中的广泛成功, 域偏移成为一个关键且具有挑战性的问题, 因为当模型部署到具有异质特征的未见数据时, 两个域之间的差距会严重影响模型性能。为缓解该问题, 我们提出了一种新颖的无监督域自适应网络, 用于将源标注域上学习的模型推广到无标注目标域, 以进行跨模态生物医学图像分割。具体而言, 我们的方法包含两个关键模块: 条件域判别器(CDD)和类别中心原型对齐器(CCPA)。CDD 由分类器任务中的条件域对抗网络扩展而来, 在处理复杂跨模态生物医学图像时有效且鲁棒。CCPA 由跨域目标检测中的图诱导原型对齐机制改进而来, 可通过精细的原型表示利用精确的实例级特征。此外, 它还能通过基于熵的损失解决类别不平衡的负面影响。在心脏亚结构分割任务的公共基准上进行的大量实验表明, 我们的方法显著提升了目标域上的性能。
引用
@article{arxiv.2103.02220,
title = {Unsupervised Domain Adaptation Network with Category-Centric Prototype Aligner for Biomedical Image Segmentation},
author = {Ping Gong and Wenwen Yu and Qiuwen Sun and Ruohan Zhao and Junfeng Hu},
journal= {arXiv preprint arXiv:2103.02220},
year = {2021}
}
备注
Ping Gong and Wenwen Yu contributed equally to this work. 11 pages, 4 figures, 3 tables