用于MRI图像分割的无监督联邦域适应
计算机视觉与模式识别
2024-01-17 v2 人工智能
摘要
使用深度神经网络对磁共振成像（MRI）图像进行自动语义分割，极大地辅助了各种临床应用的治疗评估与规划。然而，训练这些模型以实现端到端监督学习过程，是以充足标注数据的可用性为前提的。即使我们标注了足够的数据，由于患者差异、MRI扫描仪和成像协议等因素，MRI图像也表现出相当大的变异性。这种变异性要求为每个特定的应用领域重新训练神经网络，这反过来又需要专家放射科医师对所有新领域进行手动标注。为了减轻持续数据标注的需求，我们开发了一种利用多个标注源域进行无监督联邦域适应的方法。我们的方法能够从多个标注源域迁移知识，以使模型适应在未标注目标域中的有效使用。首先，我们通过最小化目标域与源域分布之间的成对距离，确保目标域数据在潜在嵌入空间（建模为深度编码器的输出）中与每个源域共享相似的表示。然后，我们采用集成方法来利用从所有域获得的知识。我们提供了理论分析，并在 MICCAI 2016 多站点数据集上进行了实验，以证明我们方法的有效性。
引用
@article{arxiv.2401.02941,
title = {Unsupervised Federated Domain Adaptation for Segmentation of MRI Images},
author = {Navapat Nananukul and Hamid Soltanian-zadeh and Mohammad Rostami},
journal= {arXiv preprint arXiv:2401.02941},
year = {2024}
}