通过影响点指导的医疗图像细分的进步教师来实现源代码免费的主动域调整

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
• 机器学习是机器学习.

背景情况:

• 域调整对于医疗图像细分模型在不同数据集中进行概括至关重要.
• 无源源主动域调整 (SFADA) 解决了数据稀缺性和隐私问题,通过选择有限的目标样本来进行注释,而无需访问源数据.
• 现有的SFADA方法缺乏强大的类平衡样本选择和有效的模型适应策略.

研究的目的:

• 为医疗图像细分开发一种新的SFADA框架,以增强对新领域的概括性.
• 解决现有的SFADA方法在类平衡样本选择和强大的模型调整方面的局限性.
• 为了有效学习,识别和利用"影响力点" - - 具有源式语义和高预测差异的边界样本.

主要方法:

• 提出了一个切片式的框架,利用有影响力的点学习,检测源样样本以保存源知识.
• 引入了一个自适应的K-最近邻近算法,用于构建类似源的样本社区,用于知识传输.
• 开发了一种类别平衡的库尔巴克-莱布勒分歧来根据影响对目标样本进行排名,从而能够选择多样化,高排名的有影响力的点进行注释.
• 设计了一个渐进的教师模型,课程学习生成和使用伪标签,减轻错误积累,并逐步利用可靠的监督.

主要成果:

• 拟议的方法显著优于医疗图像细分领域适应的最先进方法.
• 有效地识别和利用影响力点导致了强大的模型适应.
• 该框架甚至在最小的标签预算 (2.5%) 中实现了卓越的性能.

结论:

• 开发的SFADA框架有效地解决了医疗图像细分方面的挑战,特别是在有限的注释数据和隐私限制的情况下.
• 识别和利用影响力点是有效和阶级平衡的领域适应的关键策略.
• 渐进式教师模式和课程学习提高了适应过程的稳定性和准确性.