用于内窥镜病变分割的弱监督跨域自适应
计算机视觉与模式识别
2020-12-09 v1
摘要
由于显著节省了像素级标注成本，弱监督学习在医学病变分割领域引起了越来越多的研究关注。然而，1) 现有大多数方法需要有效的先验和约束来探索内在的病变特征，这只会产生不正确且粗糙的预测；2) 它们忽略了弱标注目标肠镜疾病与全标注源胃镜病变之间潜在的语义依赖关系，而强行利用不可迁移的依赖关系会导致负面的性能表现。为了解决上述问题，我们提出了一种新的弱监督病变迁移框架，它不仅可以探索跨不同数据集的可迁移领域不变知识，还能防止不可迁移表示的负迁移。具体而言，开发了一个 Wasserstein 量化的可迁移性框架，以突出广泛的、可迁移的上下文依赖关系，同时忽略不相关的语义特征。此外，设计了一种新颖的自监督伪标签生成器，为难迁移和易迁移的目标样本同等地提供可靠的伪像素标签。它在自监督方式下抑制了错误伪像素标签的巨大偏差。随后，对齐动态搜索到的特征质心以缩小类别间的分布偏移。全面的理论分析和实验表明了我们的模型在内窥镜数据集和几个公共数据集上的优越性。
引用
@article{arxiv.2012.04170,
title = {Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation},
author = {Jiahua Dong and Yang Cong and Gan Sun and Yunsheng Yang and Xiaowei Xu and Zhengming Ding},
journal= {arXiv preprint arXiv:2012.04170},
year = {2020}
}
备注
Accepted to IEEE Transactions on Circuits and Systems for Video Technology (TCSVT 2020)