基于无监督 Wasserstein 距离引导的领域自适应实现三维多领域肝脏分割
计算机视觉与模式识别
2020-09-08 v1 图像与视频处理
摘要
深度神经网络在提供大量标注数据时，在源领域展现出卓越的学习能力与泛化性。然而，由于领域偏移，训练良好的模型在目标领域常失效。无监督领域自适应旨在将基于源领域医学图像训练的鲁棒模型应用于新目标领域时提升网络性能。本工作中，我们提出一种基于 Wasserstein 距离引导解耦表示的方法来实现三维多领域肝脏分割。具体而言，我们将图像嵌入到共享内容空间（捕捉跨领域的共享特征级信息）与领域特定的表观空间中。现有的基于互信息的表示学习方法常无法在多领域医学成像任务中捕捉完整表示。为缓解这些问题，我们利用 Wasserstein 距离学习更完整的表示，并引入内容判别器进一步促进表示解耦。实验表明，我们的方法在多模态肝脏分割任务上优于当前最优（SOTA）方法。
引用
@article{arxiv.2009.02831,
title = {Unsupervised Wasserstein Distance Guided Domain Adaptation for 3D Multi-Domain Liver Segmentation},
author = {Chenyu You and Junlin Yang and Julius Chapiro and James S. Duncan},
journal= {arXiv preprint arXiv:2009.02831},
year = {2020}
}