UPL-SFDA:不确定性意识的伪标签指导的无源域名适应用于医疗图像细分
IEEE transactions on medical imaging
|September 22, 2023
概括
本研究介绍了用于医疗图像细分的不确定性意识的伪标签引导的无源域调整 (UPL-SFDA). 在没有源数据的情况下,UPL-SFDA增强了对新数据域的模型适应性,显著提高了细分精度.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分的深度学习模型需要适应新的数据领域.
- 当源数据不可用,但目前的方法缺乏足够的监督时,无源域调整 (SFDA) 是至关重要的.
- 未标记的目标域数据和不可用的源域数据在SFDA中构成重大挑战.
研究的目的:
- 提出一种新的不确定性意识伪标签引导 (UPL) SFDA方法,以改善医疗图像细分.
- 解决现有的SFDA方法在性能方面存在的局限性,原因是监督不足.
- 提高医疗成像领域的数据和注释效率.
主要方法:
- 目标域增长 (TDG):重复模型预测头部带有扰动,以增加预测多样性.
- 伪标签:利用各种预测来生成伪标签并估计可靠标签选择的不确定性.
- 双向传递监督 (TFS):从一个传递中使用可靠的伪标签来监督随后的传递.
- 最小化:使用平均预测式来规范适应,以确保有信心和一致的结果.
主要成果:
- UPL-SFDA在三个不同的医学成像数据集 (心脏MRI,胎儿大脑,3D胎儿组织) 中显示了细分精度的显著改善.
- 该方法实现了与基线方法相比平均5.54,5.01和6.89个百分点的子得分改善.
- UPL-SFDA的性能优于现有的几种最先进的SFDA技术.
结论:
- 拟议的UPL-SFDA方法有效地提高了医疗图像细分性能在无源设置.
- 结合TDG,伪标签与不确定性估计和TFS,为适应提供了强大的监督.
- 在临床应用中,UPL-SFDA为数据效率和注释效率高效的域调整提供了一个有前途的解决方案.
