基于跨异质模态语义一致性的无监督域适应用于MRI前列腺病变分割
图像与视频处理
2021-09-22 v1 计算机视觉与模式识别
机器学习
摘要
任何与先前协议不同（例如成像通道数不同）的新型医学成像模态都会引入一个与先前域异质的新域。这种常见的医学成像场景在域适应文献中很少被考虑，后者处理的是同维度域间的偏移。我们的工作依赖随机生成建模在像素空间跨两个异质域进行翻译，并引入两个促进语义一致性的新损失函数。首先，我们在源域引入语义循环一致性损失以确保翻译保留语义。其次，我们引入伪标签损失，将目标数据翻译到源域，由源域网络标注，并利用生成的伪标签监督目标域网络。我们的结果表明，这使我们能为目标域系统性地提取更好的表示。特别地，我们通过利用有标签的mp-MRI数据，解决在VERDICT-MRI（一种先进扩散加权成像技术）上提升性能的难题。与多种无监督域适应方法相比，我们的方法带来显著改进，并一致地延伸到半监督和监督学习设定中。
引用
@article{arxiv.2109.09736,
title = {Unsupervised Domain Adaptation with Semantic Consistency across Heterogeneous Modalities for MRI Prostate Lesion Segmentation},
author = {Eleni Chiou and Francesco Giganti and Shonit Punwani and Iasonas Kokkinos and Eleftheria Panagiotaki},
journal= {arXiv preprint arXiv:2109.09736},
year = {2021}
}
备注
Accepted at MICCAI 2021 Workshop on Domain Adaptation and Representation Transfer (DART). arXiv admin note: text overlap with arXiv:2010.07411