重新思考医疗图像细分无监督域调整中的解

科学领域:

• 医学图像分析 医学图像分析
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 在源域数据上训练的神经网络通常在目标域上表现不佳,因为域变化.
• 现有的域调整 (DA) 方法主要集中在分离域特定特征,假设特征独立性可能不成立.
• 域名转移在医学图像分析中带来了重大挑战,特别是在细分任务中.

研究的目的:

• 引入一种新的域适应方法,即基于维度的解扩展域适应 (D4A),用于医疗图像细分.
• 解决现有的DA方法的局限性,通过解开特征存储位置而不是仅仅是特征.
• 在不需要目标域注释的情况下执行域调整.

主要方法:

• 拟议的D4A方法使用自适应实例规范化 (AdaIN) 来将内容信息 (空间维度) 与风格信息 (通道维度) 分开.
• 扩展的卷积被用来保存关键的解剖信息,并减轻信息损失从downsampling操作.
• 该方法侧重于解开特征的存储位置,以处理域移动.

主要成果:

• D4A方法在使用两个公共数据集的跨模式医疗图像细分任务上得到了验证.
• 实验性比较和废弃性研究表明,拟议方法的优越有效性.
• 在域转移条件下,D4A在医疗图像细分方面超越了现有的最先进方法.

结论:

• 在医疗图像细分中,D4A方法为域调整提供了有效的解决方案,即使没有目标域注释.
• 通过解开特征存储位置和保存解剖细节,D4A成功地解决了域位移.
• 拟议的方法代表了医疗成像无监督域适应的重大进步.