MSCDA:多层次的语义引导对比改善了在小型数据集中进行乳腺MRI细分的无监督域适应
Sheng Kuang1, Henry C Woodruff2, Renee Granzier3
1The D-Lab, Department of Precision Medicine, GROW - School or Oncology and Reproduction, Maastricht University, Maastricht, The Netherlands.
概括
这项研究引入了一种新的无监督域适应框架 (MSCDA) 用于乳腺MRI细分,克服数据变异带来的挑战. 该方法通过在不同领域对齐图像特征来显著提高细分精度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 乳腺MRI细分的深度学习 (DL) 面临挑战,原因是不同供应商,协议和患者异质性的领域转移.
- 这种域名转移阻碍了自动细分工具的临床实施.
研究的目的:
- 提出一个新的无监督的多层次语义引导对比域适应 (MSCDA) 框架.
- 为了解决跨域乳腺MRI细分中的域位移问题.
主要方法:
- MSCDA将自我训练与对比学习相结合,用于无监督的领域适应.
- 它通过多层次的对比 (像素到像素,像素到中心,中心到中心) 来扩展对比损失,以利用语义信息.
- 一个类别明智的跨域采样策略和混合内存银行地址数据不平衡.
主要成果:
- MSCDA有效地使源域和目标域之间的特征表示一致.
- 该框架在跨领域的乳腺MRI细分任务中胜过了最先进的方法.
- MSCDA证明了标签效率,在有限的来源数据下实现了强的性能.
结论:
- 拟议的MSCDA框架为医疗图像细分中的无监督域调整提供了一个强大的解决方案.
- 它增强了特征对齐和细分精度,为改善乳腺MRI分析中DL模型的临床翻译铺平了道路.
