一个以信任为导向的无监督域调整网络,具有伪标签和可变形的CNN变压器,用于医疗图像细分

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:

• 无监督域适应 (UDA) 在医疗图像细分方面表现有前途.
• 显著的领域差异阻碍了当前的UDA方法,需要强大的跨领域解决方案.
• 现有的UDA技术使用固定的特征对齐,未能适应在培训过程中变化的分布.

研究的目的:

• 引入一种新的以信任为导向的无监督域名适应网络 (CUDA-Net).
• 克服领域差距,适应医疗图像细分中的特征分布变化.
• 为了提高边界划分和细节保留在目标领域.

主要方法:

• CUDA-Net采用自适应特征对齐,从对抗性向伪标签驱动的对齐过渡.
• 一个信任权重机制提炼伪标签,优先考虑高信任地区.
• 该方法在整个培训过程中跟踪跨领域的分布变化.

主要成果:

• 在MMWHS17,BraTS2021和VS-Seg数据集上,CUDA-Net表现出卓越的性能.
• 该网络在细分精度 (Dice) 和边界精度 (ASD) 方面表现优于八种领先的方法.
• 适应性调整和信心加权精细化提高了标签可靠性和模型稳定性.

结论:

• CUDA-Net为跨领域医疗图像细分提供了一种高效可靠的解决方案.
• 适应性方法有效地解决了领域转移带来的挑战.
• 在目标域中实现了更好的细分精度和边界划分.