UPL-SFDA：面向医学图像分割的不确定性感知伪标签引导无源域自适应
计算机视觉与模式识别
2023-11-22 v1
摘要
域自适应（DA）对于基于深度学习的医学图像分割模型处理来自新目标域的测试图像十分重要。由于训练好的模型部署到新中心时通常无法获取源域数据，无源域自适应（SFDA）因能在数据和标注高效的前提下适应目标域而颇具吸引力。然而，现有 SFDA 方法因源域图像不可用且目标域图像无标签而缺乏充分监督，性能受限。我们提出一种新颖的不确定性感知伪标签引导（UPL）SFDA 方法用于医学图像分割。具体而言，我们提出目标域生长（TDG），通过多次复制预训练模型的预测头并施加扰动，增强目标域预测的多样性。这些复制头中的不同预测用于获取无标签目标域图像的伪标签及其不确定性，以识别可靠伪标签。我们还提出两次前向传播监督（TFS）策略，利用一次前向传播中获得的可靠伪标签监督下一次前向传播的预测。自适应过程进一步由基于平均预测的熵最小化项正则化，以促使不同预测头给出置信且一致的结果。UPL-SFDA 在多中心心脏 MRI 分割数据集、跨模态胎儿脑分割数据集和 3D 胎儿组织分割数据集上进行了验证。与基线相比，其在三项任务上的平均 Dice 系数分别提升了 5.54、5.01 和 6.89 个百分点，并优于多种最先进的 SFDA 方法。
引用
@article{arxiv.2309.10244,
title = {UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain Adaptation for Medical Image Segmentation},
author = {Jianghao Wu and Guotai Wang and Ran Gu and Tao Lu and Yinan Chen and Wentao Zhu and Tom Vercauteren and Sébastien Ourselin and Shaoting Zhang},
journal= {arXiv preprint arXiv:2309.10244},
year = {2023}
}
备注
12 pages, 6 figures, to be published on IEEE TMI