基于对抗训练的合成医学图像无监督逆向域适应

为充分发挥深度学习在医学影像中的潜力，需要大量标注数据集用于训练。此类数据集难以获取，因为标注医学图像通常由于隐私问题、缺乏可用于标注的专家、罕见病症代表性不足以及标准化程度低而不可用。在传统视觉应用中，已通过无监督对抗训练精炼的合成图像使其看起来像真实图像来解决标注数据缺乏问题。然而，由于真实人体组织中存在的复杂且多样的特征集，该方法难以推广到一般医学影像。我们提出了一种使用逆向流的替代框架，其中对抗训练用于使真实医学图像更像是合成图像，并假设临床相关特征可通过自正则化得以保留。这些域适应图像随后可由在大型合成医学图像数据集上训练的网络准确解释。我们在内窥镜深度估计这一公认困难的任务上测试了该方法。我们在一个使用内窥镜精确前向模型和解剖学真实结肠生成的合成图像大型数据集上训练了一个深度估计器。与使用真实图像相比，该网络在使用类合成域适应图像时预测的深层深度显著更好，证实了深度的临床相关特征得以保留。