CVPRApr, 2020

可以转移什么：内窥镜病变分割的无监督域自适应

PDF
TL;DR我们提出了一个新的无监督语义转移模型，包括两个互补模块（T_D 和 T_F），针对内窥镜病变分割，其可确定在标记源病变数据集（例如，胃镜）和未标记的目标疾病数据集（例如，肠镜）之间如何和何时探索可转移领域不变知识。
unsupervised domain adaptationsemantic segmentationendoscopic lesions segmentationtransferable domain-invariant knowledgemedical endoscopic dataset
发现论文，激发创造
  • 语义可转移的弱监督内窥镜病变分割

    本论文提出了一种用于弱监督内窥镜下病变分割的新语义病变表示转移模型，该模型可以从相关的完全标记的疾病分割任务中利用有用的知识，以提高目标弱标记的病变分割任务的性能，其中包括提出了基于伪标签生成器的伪像素标签生成方法，并将同一类别的动态搜索特征中心在不同数据集间对齐。

    Aug, 2019

  • 基于多源对抗迁移学习的超声图像分割（受限相似度）

    本论文提出了一种针对超声图像分割的多源敌对迁移学习网络，采用敌对迁移学习的思想来自适应地提取源域和目标域之间的共同特征，以利用未标注的超声数据，同时还采用多源迁移学习来融合多个源域的知识，以提高模型的学习能力和数据利用率。

    May, 2023

  • 减轻皮肤病变分类中域漂移的影响：基于显微镜图像的无监督域适应方法的基准研究

    深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的 AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤 - 痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

    Oct, 2023

  • 基于低层边缘信息传输的语义分割无监督领域自适应

    本研究提出了一种基于低级边缘信息的领域自适应方法，通过使用独立边缘流来处理边缘信息，从而在目标领域上产生高质量的语义边界，进而通过边缘一致性损失来对齐目标语义预测与产生的语义边界，并且进一步提出了用于语义对抗学习和自监督学习的两种经验再加权方法，这些方法能够进一步提高该结构的自适应性能。在两个 UDA 基准数据集上的综合实验表明，该结构相比现有技术具有更好的表现。

    Sep, 2021

  • DG-TTA: 领域泛化和测试时间适应的医学图像分割

    我们提出将领域泛化和测试时间适应相结合的方法，在未见目标领域中重新使用预训练模型，并通过优化模型权重以确保每个未见扫描的高质量分割，以消除当前的数据可用性障碍。

    Dec, 2023

  • 选择最佳预训练模型：面向医学图像分割的可迁移性估计

    我们在这篇论文中针对医学图像分割中应用迁移学习时的不足，提出了一种新的迁移能力估计方法，该方法考虑了类一致性和特征多样性，通过大量实验证明，在医学图像分割中我们的方法超过了所有现有的迁移能力估计算法。

    Jul, 2023

  • 多任务一致性引导的无源测试时域自适应医学图像分割

    提出了一种多任务一致性引导的无源测试时间领域适应医学图像分割方法，确保局部边界预测结果和全局原型表示之间的一致性，显著提高了医学图像分割的性能。

    Oct, 2023

  • 基于跨模态域适应的医学图像分割中频率和空间域内的领域差异降低

    本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。

    Nov, 2022

  • 儿科脑肿瘤分割的无监督领域自适应

    在本研究中，我们提出了由 Domain-Adapted nnU-Net (DA-nnUNet) 构成的无监督领域自适应模型，用于将成人胶质瘤（源域）应用到儿童胶质瘤（目标域）中，通过添加一个连接有梯度反转层（GRL）的域分类器到 nnU-Net 的骨干网络中实现特征转换，并在保持源域分割准确性的同时将领域无关特征转移到分割模型，结果显示相较于仅使用成人数据的模型，在肿瘤核心（TC）区域有明显性能提升，Dice 系数约提高 32％，95th percentile Hausdorff 距离约提高 20 个单位。

    Jun, 2024

  • 医学影像领域中的无监督域适应深度学习：最近的进展与未来展望

    深度学习在医学影像中取得了显著的性能，但主要关注有监督学习。为了解决这些问题，已经开发了无监督领域自适应技术，用于从一个有标签的领域转移知识到一个相关但无标签的领域。本文从技术角度对医学影像中最新的深度无监督领域自适应方法进行了综述，并将其分类为六组，进一步根据所执行的不同任务进行了精细的子分类。还讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了这项调查。

    Jul, 2023