基于对比学习的无监督域自适应用于OCT分割
计算机视觉与模式识别
2022-08-05 v2 机器学习
图像与视频处理
摘要
在三维光学相干断层扫描图像中准确分割视网膜积液是眼病诊断和个性化治疗的关键。尽管深度学习在该任务上已取得成效，但训练好的监督模型常对与标注样本不相似的图像（例如使用不同设备采集的图像）失效。为此，我们提出了一种新颖的半监督学习框架，用于对新无标签域中的体数据进行分割。我们联合使用监督学习与对比学习，并引入了一种利用三维中相邻切片间相似性的对比配对方案。此外，我们提出通道聚合作为传统空间池化聚合在对比特征图投影中的替代方案。我们评估了所提方法从（有标签的）源域到（无标签的）目标域的域自适应效果，两者各包含由不同采集设备获取的图像。在目标域中，我们的方法取得的Dice系数比SimCLR（一种最先进的对比框架）高13.8%，并达到与该域中监督训练上界相当的结果。在源域中，我们的模型通过成功利用大量无标签图像的信息，也将结果提升了5.4% Dice。
引用
@article{arxiv.2203.03664,
title = {Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation},
author = {Alvaro Gomariz and Huanxiang Lu and Yun Yvonna Li and Thomas Albrecht and Andreas Maunz and Fethallah Benmansour and Alessandra M. Valcarcel and Jennifer Luu and Daniela Ferrara and Orcun Goksel},
journal= {arXiv preprint arXiv:2203.03664},
year = {2022}
}
备注
Accepted for publication at MICCAI 2022