输入驱动的对抗训练用于无源医疗图像分割.

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:

• 传统的无监督域调整 (UDA) 方法需要源数据,由于隐私限制 (例如,医疗保健) 限制了现实世界的应用程序.
• 数据集之间的域移动阻碍了在敏感领域的模型概括和性能.

研究的目的:

• 提出一个新的两步对抗的无源无监管域调整 (SFUDA) 框架.
• 为了使域名适应,同时保护敏感的源数据和减轻域名转移.

主要方法:

• 用预测和Gumbel softmax将目标数据划分为自信/不自信的样本.
• 采用两步的对抗方法,其中包括min-max损失和一致性损失.
• 使用加权的L2-SP调节器来保护源域知识.

主要成果:

• 拟议的SFUDA框架在域名转移任务上始终优于其他SFUDA方法.
• 与使用源数据的最先进的UDA方法相比,取得了具有竞争力的结果.
• 在需要数据隐私的敏感应用程序中证明了有效性.

结论:

• 新的SFUDA框架成功地解决了传统的UDA方法的局限性.
• 该方法为现实世界的场景中域名适应提供了一个保护隐私的解决方案.
• 这一框架显示出对医疗保健等敏感应用的巨大潜力.