没有源代码的域名转移算法,具有医疗图像细分的减少风格灵敏度
Jian Lin1, Xiaomin Yu2, Zhengxian Wang2
1Sichuan Academy of Medical Science and Sichuan Provincial People's Hospital, Chengdu, China.
PloS one
|December 27, 2024
概括
本研究引入了一种新的无源域转移算法 (SFDT-RSS) 用于医疗图像细分. 它通过降低风格敏感性和增强概括性而显著提高准确性,而不需要源数据.
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:
- 用于医疗图像细分的无监督转移学习面临着由于无法访问源域数据的错误传播的挑战.
- 现有的算法在没有直接访问原始训练数据的情况下,难以在不同的医学成像风格和数据集中进行概括.
研究的目的:
- 开发一种新的无源域转移算法 (SFDT-RSS),可以最大限度地降低风格敏感性,并增强医疗图像细分的概括性.
- 将预先训练的模型适应新的目标域,而不需要访问源域数据,解决当前方法的一个关键局限性.
主要方法:
- SFDT-RSS采用了初始源域模型预培训的概括策略.
- 它采用了互补风格传输 (ISS) 策略,并使用了变压器架构进行自我训练,以减少风格敏感性和改善概括性.
- 在域移动阶段使用无模型自适应信心调节 (ACR) 损失来微调源模型.
主要成果:
- 拟议的SFDT-RSS算法在五个公共数据集中显示了对无监督的跨域器官细分的细分精度的显著改进.
- 与现有的无监督域名转移算法相比,具体准确度的改进在2.64%至3.32%之间.
- 该方法有效地提高了概括能力,并减少了对特定图像风格的依赖.
结论:
- 通过有效解决风格敏感性和数据可访问性问题,SFDT-RSS为无监督的跨域医疗图像细分提供了强大的解决方案.
- 该算法的性能突显了医疗成像应用中无源域转移方法的潜力.
- ISS和ACR损失的组合有助于提高细分精度和模型通用性.
