通过受监管的模型自我培训,增强医疗图像细分中的无源域调整
Tianwei Zhang1, Kang Li2, Shi Gu1
1School of Computer and Engineering, University of Electronic Science and Technology of China, UESTC, China.
Medical image analysis
|March 29, 2025
概括
本研究引入了一种用于医学成像的新型无源域适应 (SFDA) 方法. 它通过保留域不变特征和调整域特定特征来有效地转移知识,即使在显著的域转移的情况下也提高了性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 无源域调整 (SFDA) 对保护隐私和注释效率的医疗AI至关重要.
- 由于伪标签质量差,现有的SFDA方法在较大的域差异 (例如,不同的成像模式) 中扎.
- 在具有显著差异的领域中调整模型仍然是一个挑战.
研究的目的:
- 开发一个新的SFDA框架,以加强跨领域的知识转移,以改善严重差异.
- 为了在医疗图像分析任务中提高模型性能,尽管数据源的变化.
- 为了实现可靠的适应,而不需要源数据或目标标签.
主要方法:
- 为SFDA提出了一个受监管的模型自我培训框架.
- 通过限制可转移参数的更新来保存域不变的知识.
- 通过积极更新针对目标域特异性的不太可转移的参数来适应特定领域的知识.
- 验证了三维交叉模式心脏细分和二维交叉供应商基金细分的方法.
主要成果:
- 与竞争方法相比,在重大领域转移下,拟议的框架实现了优越的性能.
- 在3D跨模式和2D跨供应商细分任务中表现出一致的超越性.
- 展示了保留不变知识和调整特定知识以实现强大的域调整的有效性.
结论:
- 新型的SFDA方法通过智能转移知识,有效地应对严重的领域转移.
- 该方法为保护隐私和注释效率的医疗图像分析提供了强大的解决方案.
- 该框架可以与现有的伪标签改进技术集成,以进一步提高性能.
