少标注源数据下的无监督域自适应眼底图像分割
计算机视觉与模式识别
2022-10-11 v1
摘要
基于深度学习的分割方法已被广泛用于自动青光眼诊断与预后。在实际应用中，不同眼底相机获取的眼底图像在光照和强度方面差异显著。尽管近期的无监督域自适应（UDA）方法增强了模型在无标注目标眼底数据集上的泛化能力，但它们总是需要来自源域的充分标注数据，带来了额外的数据获取与标注成本。为了进一步提升跨域分割方法在眼底图像上的数据效率，我们在本工作中探索使用少量标注源数据的 UDA 视盘与视杯分割问题。我们首先设计了一种基于搜索的多风格不变机制，以丰富源数据风格并增加数据量。接着，提出了一种针对前景目标的原型一致性机制，以促进不同图像风格下各类组织的特征对齐。此外，进一步设计了一个跨风格自监督学习阶段，以提升在目标图像上的分割性能。在少标注源数据的 UDA 眼底分割设定下，我们的方法优于多种最先进的 UDA 分割方法。
引用
@article{arxiv.2210.04379,
title = {Unsupervised Domain Adaptive Fundus Image Segmentation with Few Labeled Source Data},
author = {Qianbi Yu and Dongnan Liu and Chaoyi Zhang and Xinwen Zhang and Weidong Cai},
journal= {arXiv preprint arXiv:2210.04379},
year = {2022}
}
备注
Accepted by The 33rd British Machine Vision Conference (BMVC) 2022