基于类别级正则化的无监督域自适应眼底图像分割

现有基于对抗学习的无监督域自适应方法在若干医学影像任务中已取得良好性能。然而，这些方法仅关注全局分布自适应，忽略了类别层面的分布约束，从而导致次优的自适应性能。本文提出一种基于类别级正则化的无监督域自适应框架，从三个角度对类别分布进行正则化。具体而言，对于域间类别正则化，提出一种自适应原型对齐模块，以对齐源域与目标域中同一类别的特征原型。此外，对于域内类别正则化，我们分别针对源域和目标域定制了正则化技术。在源域中，提出一种原型引导的判别性损失，通过强化类内紧致性与类间可分性来学习更具判别性的特征表示，并作为传统监督损失的补充。在目标域中，提出一种增强一致性类别正则化损失，迫使模型对增强/未增强的目标图像产生一致的预测，从而鼓励语义相似区域被赋予相同标签。在两个公开眼底数据集上的大量实验表明，所提方法显著优于其他最先进的对比算法。