带有语义保护的双域分布中断:用于医学图像细分的无监督域调整
Boyun Zheng1, Ranran Zhang2, Songhui Diao1
1Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China; Shenzhen College of Advanced Technology, University of Chinese Academy of Sciences, Shenzhen 518055, China.
Medical image analysis
|July 20, 2024
概括
本研究介绍了双域分布破坏与语义保护 (DDSP),这是一个新的无监督域适应框架用于医疗图像细分. DDSP通过保留语义信息和跨域调整功能来提高细分精度,优于现有方法.
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:
- 在医学图像细分中,无监督域适应 (UDA) 通常使用生成对抗网络 (GAN).
- 基于GAN的方法可以产生具有分布偏差的翻译图像,导致视觉不一致性和不正确的风格,阻碍细分模型的性能.
- 现有的UDA方法与GAN的不稳定性作斗争,导致细分模型采用不正确的模式.
研究的目的:
- 提出一个新的UDA框架,双域分布破坏与语义保护 (DDSP),以应对医疗图像细分方面的挑战.
- 开发一种使模型不依赖于领域的方法,并通过使用语义信息作为约束来关注解剖结构.
- 在无监督域适应场景中提高医疗图像细分模型的稳定性和准确性.
主要方法:
- 为UDA在医疗图像细分中提出了双域分布中断与语义保护 (DDSP) 框架.
- 引导模型通过利用语义信息作为约束来适应源域和目标域中被破坏的分布,使模型具有域不可知性.
- 引入了跨道相似性特征对齐,使用域不变的结构预先信息,在道中对源和目标域特征进行对齐.
主要成果:
- DDSP框架显著优于现有的最先进的UDA方法.
- 在三个公共数据集上表现出卓越的性能:心脏,大脑和前列腺.
- 通过在道上对准源代码和目标代码的功能,在目标域特征上实现了强大的性能.
结论:
- 拟议的DDSP框架为医疗图像细分的无监督域适应提供了显著的进步.
- DDSP有效地解决了基于GAN的方法的局限性,通过保留语义信息和跨域调整功能.
- 该方法显示了在不同的数据分布中提高自动化医疗图像细分的准确性和可靠性的强大潜力.
