无监督域名适应 通过多规模的自适应对抗学习进行基金图像细分

科学领域:

• 眼科医生 眼科 眼科
• 医疗成像医学成像
• 计算机视觉 计算机视觉

背景情况:

• 对光盘 (OD) 和光杯 (OC) 的准确细分对于早期的青光眼检测至关重要.
• 深度学习模型在临床应用中面临挑战,原因是不同机构的基金图像的领域转移.

研究的目的:

• 引入一个无监督域适应技术,多尺度适应对抗学习 (MAAL),以改善OD和OC细分.
• 为了提高跨多种 fundus 图像数据集的细分模型的概括性和稳定性.

主要方法:

• MAAL集成了三个组件:用于域特定特征提取的多尺度Wasserstein补丁区分器 (MWPD),用于适应性特征权重的自适应权重域约束 (AWDC) 和用于集成浅层和深层特征的像素级特征增强 (PFE).
• 该方法利用无监督的域调整来弥合不同数据域之间的差距,而不需要从目标域中标记数据.

主要成果:

• 该MAAL方法在缓解由域移动引起的模型退化方面显示出显著的改进.
• 在两个公共基金图像数据库上的实验表明,MAAL在OD和OC细分方面都超过了当前最先进的方法.
• 拟议的技术有效地保留了域不变信息,并增强了特征表示.

结论:

• 在医疗图像细分中,MAAL为无监督域适应提供了有效的解决方案,特别是用于OD和OC.
• 开发的技术在改善眼科深度学习模型的临床适用性方面非常有前途.
• 这种方法提高了细分的准确性和稳定性,有助于更可靠的青光眼诊断.