医学图像分割 | 医学图像分割中无监督域适应的最优潜向量对齐

【论文标题】Optimal Latent Vector Alignment for Unsupervised Domain Adaptation in Medical Image Segmentation

【作者团队】Dawood Al Chanti, Diana Mateus

【发表时间】2021/06/10

【机构】法国南特中央理工学院

【论文链接】https://arxiv.org/abs/2106.08188

本文出自法国南特中央理工学院，目前已被 MICCAI 2021 接收。作者针对医学图像中的领域漂移问题，提出了一种基于 VAE 和最优传输理论的潜向量对齐策略，能够有效建模形状的变化，效果 SOTA。

在本文中，作者讨论了医学图像分割中的领域漂移问题。作者提出了一种基于变分自编码器（VAE）和最优传输（OT）理论的轻量级无监督域适应方法 OLVA。由于使用了 VAE，本文提出的模型学习了一个服从正态分布的共享跨域潜在空间，从而减少了领域漂移。为了保证有效的分割，作者设计了共享的潜在空间来建模形状的变化，而非强度的变化。

本文作者进一步依靠 OT 损失来匹配和对齐潜在空间中两个域之间剩余的差异。作者在 MM-WHS 数据集上证明了 OLVA 对多个心脏结构分割的有效性，其中源域由带注释的 3D MR 图像组成，目标域由未标记的 3D CT 图像组成。研究结果表明，与当前的生成式训练方法相比，本文提出的方法的 Dice 得分提高了 12.5%。

图 1：OLVA 框架示意图

内容中包含的图片若涉及版权问题，请及时与我们联系删除