无监督的域调整与多级蒸提升和适应性面罩用于医疗图像细分的适应性面罩

科学领域:

• 医学图像分析 医学图像分析
• 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) 对于医疗图像分析至关重要,它利用标记的源数据为未标记的目标数据.
• 平均教师 (MT) 框架是一种常见的UDA方法,通常使用多层特征对齐学生和教师网络输出.
• 医疗图像领域的变化需要强大的数据增强和特征对齐策略.

研究的目的:

• 提出一个新的框架,多级蒸提升 (MLDB),以提高医疗成像中的UDA性能.
• 通过结合先进的知识蒸技术来增强中等教师框架.
• 引入适应性掩盖图像一致性 (AMIC) 方法,以改进数据增强,以医疗图像变化量身定制.

主要方法:

• 开发了MLDB,将自我知识蒸和双向知识蒸结合起来,以实现中级和高级特征对齐.
• 引入了AMIC,用于源域和目标域图像增强,具有定制的掩盖策略 (不同比例和大小).
• 评估了基底 (光盘/杯分段) 和多数据集的框架.

主要成果:

• 获得了竞争力的光盘/杯分段的子分数:95.2%/86.1% (REFUGE→RIM) 和97.3%/89.0% (REFUGE→Drishti-GS).
• 在聚细分方面表现出强的表现:78.3% (Kvasir→ETIS) 和86.2% (Kvasir→Endo).
• 提出的方法显示了在医学成像UDA任务的显著改进.

结论:

• 与AMIC一起的MLDB框架有效地解决了医疗图像无监督域适应方面的挑战.
• 先进蒸和自适应增强的组合显著提高了模型的适应性和性能.
• 这种方法为医疗图像分析任务提供了一个有前途的方向,这些任务需要域泛化.