无监督的深度一致性学习适应网络用于心脏跨模式结构细分的结构细分

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 深度神经网络在医学图像细分方面表现出色,但在应用到具有不同数据分布的新领域时会退化.
• 无监督的域名调整对于利用注释的源数据与未注释的目标数据至关重要,特别是当注释很少时.
• 现有的方法通常会因为大范围的差距而失败,需要先进的适应技术.

研究的目的:

• 为医疗图像细分引入一种新的无监督深度一致性学习适应网络.
• 在适应新数据领域时,解决深度神经网络的性能退化问题.
• 改善跨不同模式的心脏结构细分,而无需目标域注释.

主要方法:

• 一个深度的一致性学习适应网络与输入和输出空间的一致性学习.
• 一个域翻译路径,具有对称对齐生成器,注意交叉模式特征和解剖学.
• 使用图最小化,输出概率图最小化和细分预测最小化的细分路径.

主要成果:

• 拟议的方法在具有挑战性的跨模式心脏细分任务上表现出强大的性能.
• 实验结果显示,与现有的无监督域适应方法相比,性能优越.
• 废弃实验验证了拟议框架组件的有效性.

结论:

• 新的无监督深度一致性学习网络有效地减轻了医疗图像细分中的域移动问题.
• 该框架实现了跨模式的强大的心脏结构细分,即使存在显著的领域差距.
• 这种方法为医学成像中的无监督域适应提供了一个有希望的解决方案.