ReTri:通过表示解和三级一致性驱动的特征对齐来实现渐进的域桥接,用于无监督域的自适应医疗图像细分
1organization=Institute of Medical Robotics, School of Biomedical Engineering, Shanghai Jiao Tong University, postcode=200240, city=Shanghai, country=China.
概括
本研究介绍了ReTri,这是一种用于医学图像细分中的无监督域适应的新框架. 使用表示解和一致性驱动的特征对齐,ReTri有效地弥合了域差距,在具有挑战性的数据集上实现了卓越的性能.
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:
- 医疗图像细分的无监督域调整 (UDA) 面临来自跨域差异和缺少目标注释的挑战.
- 现有的方法很难有效地弥合这些领域的差距,限制了它们在现实世界医疗场景中的适用性.
研究的目的:
- 提出一个端到端的渐进式域架构,ReTri,用于医疗图像细分中的无监督域调整.
- 通过表示解和三级一致性驱动的特征对齐来解决跨领域的差异和特征分布差异.
主要方法:
- 开发了ReTri,集成了基于表示解的图像对齐 (RDIA) 模块和三级一致性驱动的特征对齐 (TCFA) 模块.
- 通过脱的表示学习,RDIA通过解和调整视觉差异建立了一个初始的桥梁.
- 通过使用注意引导的语义层次一致性和多视图双层混合一致性 (特征切割和跨切割一致的自组合),TCFA在层次上弥合了语义和特征分布的差异.
主要成果:
- 在七个UDA场景中的四个具有挑战性的数据集上,在最先进的方法上取得了卓越的性能.
- 证明了显著的Dice Score (DSC) 改善,包括脊柱CT→MR的+2.9%,心脏CTMR的+3.6%,心声图的+2.3%,前列腺MR细分的+12.2%.
- 框架的源代码和数据集是公开可用的.
结论:
- 通过其新的对齐策略,ReTri有效地弥合了无监督医疗图像细分领域的差距.
- 拟议的框架为跨领域医疗图像细分任务提供了强大的解决方案,优于现有的SOTA方法.
- 代码和数据的公开可用性有助于在这个关键领域进行进一步的研究和开发.
