在医疗图像细分中,用于无监督域适应的基因组匹配增强对抗学习
Xiaoxue Qian1, Hua-Chieh Shao1, Yunxiang Li1
1Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, Texas, USA.
Medical physics
|March 18, 2025
概括
这项研究引入了组图匹配增强的对抗学习,用于医学成像中的无监督域适应. 新的HMeAL-UDA方法提高了细分精度,并为可靠的临床决策提供了关键的不确定性估计.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 无监督的域名适应
背景情况:
- 深度神经网络在新的,未被标记的域中遭受性能退化.
- 无监督域调整 (UDA) 利用源域知识来缓解这一问题.
- 目前用于医学成像的UDA通常使用复杂的对抗性学习,忽视不确定性.
研究的目的:
- 开发一种简单有效的UDA方法 (HMeAL-UDA) 用于医疗图像细分.
- 将直方图匹配与对抗性学习集成在一起,以减少模型复杂性和弥合域间隙.
- 为模型预测提供全面的不确定性估计.
主要方法:
- 开发了HMeAL-UDA,集成历史图匹配以减轻风格偏差.
- 在预测空间中使用对抗式学习来关注域不变特征.
- 使用蒙特卡洛脱落的量化预测信心用于voxel级和体积级不确定性估计.
主要成果:
- 在跨模式腹部多器官细分方面,HMeAL-UDA的性能优于最先进的方法.
- 获得高的子相似系数 (DSC) 和低的HD95分,接近监督性表现.
- 提供全面的不确定性评估,以指导临床决策.
结论:
- HMeAL-UDA是一个强大的工具,用于跨模式的医疗图像细分.
- 该方法有效地解决了域移动问题,并提供可靠的不确定性量化.
- 对医学成像中的其他深度学习应用进行概括的潜力.
