面向无源医学图像分割的无监督模型自适应
计算机视觉与模式识别
2023-08-01 v2 机器学习
摘要
近年来深度神经网络的普及使得语义分割网络在提供充足训练数据时能在医学领域达到人类水平性能。然而，当此类网络需要对分布外图像预测语义图时无法泛化，需在新分布上重新训练模型。这一昂贵过程需要专家知识以生成训练标签。在医学领域中，由于成像设备的选择（如MRI或CT扫描仪）会自然产生分布偏移。为克服模型在具有不同数据分布的完全标注源域成功训练后，在目标域标注图像的需求，可采用无监督域自适应(UDA)。大多数UDA方法通过构建共享的源/目标潜在特征空间来确保目标泛化，使源域训练的 classifier 在目标域保持性能。但大多数UDA方法需要联合访问源和目标数据，可能造成患者信息隐私泄露。我们提出一种用于医学图像分割的UDA算法，在自适应过程中无需访问源数据，从而能够保护患者数据隐私。我们在自适应时近似源潜在特征，并通过最小化基于最优传输的分布距离度量来构建联合源/目标嵌入空间。我们证明即便增加了隐私要求，我们的方法仍可与近期UDA医学分割工作相竞争。
引用
@article{arxiv.2211.00807,
title = {Unsupervised Model Adaptation for Source-free Segmentation of Medical Images},
author = {Serban Stan and Mohammad Rostami},
journal= {arXiv preprint arXiv:2211.00807},
year = {2023}
}