通过源域标签进行无监督的跨模式域调整,用于医学图像细分的引导对比学习
Wenshuang Chen1, Qi Ye1, Lihua Guo2
1School of Electronic and Information Engineering, South China University of Technology, Wushan Road 381, Guangzhou, Guangdong, 510641, China.
Medical & biological engineering & computing
|February 12, 2025
概括
本研究引入了一种新的无监督域适应框架,用于跨模式的医疗图像细分. 该方法通过对准域之间的图像和特征分布来提高细分精度,优于现有技术.
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:
- 无监督域调整 (UDA) 对于使用源域知识来提高目标域的模型性能至关重要.
- 医疗图像细分经常面临挑战,因为不同的模式的域移动.
- 现有的UDA方法很难有效地弥合医疗图像细分任务中的差距.
研究的目的:
- 为跨模式医疗图像细分提出一个统一的域调整框架.
- 从图像和特征的角度来看,增强模型的稳定性和对齐性.
- 为了利用源域信息来改进目标域的细分,而无需标记目标数据.
主要方法:
- 微调基于富里埃的对比风格增强 (FCSA) 进行强大的图像对齐.
- 设计源域标签以导向对比学习 (SLGCL) 进行特征对齐.
- 整合一个生成的对抗网络,以实现空间和上下文一致性.
主要成果:
- 拟议的框架在跨模式的医疗图像细分方面实现了卓越的性能.
- 在整个心脏细分任务上,与最先进的UDA方法相比,取得了显著的改进.
- 这种新的方法有效地对齐图像和特征分布,提高了细分的准确性.
结论:
- 统一的UDA框架为跨模式的医疗图像细分提供了强大的解决方案.
- FCSA和SLGCL的整合有效地解决了领域转移的挑战.
- 这项工作代表了医疗成像无监督域适应的重大进步.
