专注的持续生成的自我训练无监督的领域适应医疗图像翻译

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 无监督域调整 (UDA) 对于在不同数据域中应用模型至关重要.
• 自我培训方法在区分任务中表现出色,但在像图像翻译这样的生成任务中未被充分探索.
• 领域转移在将学到的知识应用于新的,异质的目标领域方面构成了重大挑战.

研究的目的:

• 为域自适应图像翻译开发一个生成自我训练 (GST) 框架.
• 在生成应用中解决现有的自学UDA方法的局限性.
• 为了提高图像翻译在不同领域的可靠性和性能.

主要方法:

• 开发了一个包含持续价值预测和回归的GST框架.
• 使用变量贝叶斯学习进行数据可靠性评估的量化 aleatoric 和 epistemic 不确定性.
• 引入了一种自我注意机制,以减轻背景区域的重视和适应的交替优化方案.

主要成果:

• 与对抗训练UDA方法相比,GST在交叉扫描/中心,主题间翻译任务上表现出优异的合成性能.
• 根据标记为cine的MR和T1加权的MR-to-fractional anisotropy图像转换进行评估.
• 用未配对的目标域数据进行了广泛的验证,证实了该框架的有效性.

结论:

• 拟议的GST框架对于域自适应图像翻译是有效的.
• 在生成任务中,GST成功地减轻了域移动挑战.
• 这项工作推进了复杂的图像合成应用程序的自我训练UDA.