福里埃视觉提示为无源无监督域调整医疗图像细分的福里埃视觉提示

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 医疗图像细分模型与域移动作斗争,影响未见数据的性能.
• 无监督域名适应 (UDA) 使用标记的源数据和未标记的目标数据来解决域名转移.
• 无源UDA (SFUDA) 适应没有源数据的模型,对于隐私和传输问题至关重要,但通常需要在测试时进行模型适应.

研究的目的:

• 引入福里埃视觉提示 (FVP) 作为一种用于医疗图像细分的新源无监督域适应 (SFUDA) 方法.
• 为了使冷预训练模型在临床环境中适应,在临床环境中,模型在测试期间保持固定.
• 利用自然语言处理启发的视觉提示,以改善目标域上的模型性能.

主要方法:

• 在输入目标数据中,FVP引入了一个视觉提示符,以指导结的预训练模型.
• 视觉提示包括输入频率空间中的低频可学习参数.
• 学习包括在提示目标图像预测和被结模型生成的伪细分标签之间最大限度地减少细分损失.

主要成果:

• 在三个公共医疗图像细分数据集上验证了FVP.
• 实验表明,与现有方法相比,FVP实现了优越的细分结果.
• 这项研究是首次将视觉提示应用于SFUDA用于医疗图像细分的应用.

结论:

• 里埃视觉提示 (FVP) 是医疗图像细分中的无源无监督域调整的一个有效方法.
• 在临床实践中,FVP成功地将冷模型适应到新的领域,克服了传统SFUDA在临床实践中的局限性.
• 拟议的方法为改善医学成像中深度学习模型的稳定性和适用性提供了一个有希望的方向.