基于两阶段对抗式学习的无监督域调整用于视网膜OCT细分的OCT细分

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:

• 对光学连贯性断层扫描 (OCT) 分段的深度学习使定量分析成为可能.
• 由于不同的采集设备/协议导致的域名转移会降低细分模型的性能.
• 解决领域转移对于强大的海外国家和地区图像分析至关重要.

研究的目的:

• 提出一个两阶段的对抗性学习网络 (TSANet) 进行无监督的跨领域的OCT细分.
• 克服因OCT成像中的域移动引起的性能退化.
• 在不需要手动重新标记的情况下,在不同的OCT数据集中实现准确的细分.

主要方法:

• 在第一阶段,采用福里埃转换方法进行图像级风格调整.
• 使用对抗式学习与分段器和区分器来实现域间一致性.
• 在第二阶段实施伪标签和微调,以提高概括性.

主要成果:

• 在三个测试组中,在交叉与结合 (IoU) 中实现了8.34%,55.82%和3.53%的显著改进.
• 与最先进的域名适应方法相比,证明了卓越的性能.
• 在状腺和视网膜分裂细分任务上经过验证的有效性.

结论:

• 通过多层次的适应策略,TSANet有效地实现了跨领域的泛化.
• 在调整深度学习模型以适应新的海外国家和地区数据时,减少了手动注释的需要.
• 促进了跨不同数据集的OCT细分模型的更广泛应用.