ISGAN:无监督域调整与改进的对称GAN交叉模式多器官细分

科学领域:

• 医疗图像分析 医学图像分析
• 计算机视觉 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 跨模式的医疗图像细分存在挑战,原因是显著的领域差异.
• 无监督域调整 (UDA) 旨在将模型调整为未标记的目标域.
• 集成图像生成和细分的传统UDA方法存在视觉不一致和缺乏解剖学约束,导致错误的伪标签.

研究的目的:

• 提出一个改进的对称生成对抗网络 (ISGAN),以实现强大的跨模式医疗图像细分.
• 解决传统的UDA细分策略的局限性,特别是视觉不一致性和不准确的伪标签生成.

主要方法:

• ISGAN采用具有双路域适应的对称架构,以最大限度地减少源域和目标域之间的视觉差异.
• 采用双向培训策略,优化图像生成和细分模块.
• 解剖学约束被集成到图像生成模块中,以提高伪标签质量.

主要成果:

• ISGAN在跨模式数据集 (MMWHS心脏和腹部) 上展示了有希望的细分性能.
• 与现有的最先进的UDA技术相比,提出的方法显示了更好的概括能力.
• ISGAN有效地减少了视觉差异,并产生了更准确的伪标签.

结论:

• ISGAN为跨模式医疗图像细分中的无监督域调整提供了有效的解决方案.
• 对称架构和双向培训策略提高了细分精度和模型概括性.
• 在UDA中,整合解剖学约束对于可靠的伪标签生成至关重要.