无标签域的多尺度特征对齐连续学习
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
本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法,该方法结合了基于变分自编码器的特征先验匹配和域对抗训练,以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估,在仅使用一个未标记的 3D CT 扫描的情况下,该方法在相同的设定下胜过现有的技术。最后,我们对先验匹配和域对抗训练进行了消融研究,以阐明所提出方法的理论基础。
Jul, 2019
本文提出了一种基于生成式回放的无监督分割方法 GarDA(用于连续域自适应),通过不断适应一系列新的未标记数据(无需访问旧数据),使得分割模型可以对多个不同的域进行适应,并表现出比现有技术有显著的优势。
Jan, 2023
本文提出一种基于无监督域自适应(UDA)的方法,针对城市场景的语义分割应用领域,将深度神经网络从合成数据源,适应到真实数据源上,通过引入对抗模块和自训练策略实现充分对齐两个数据分布,模块化的架构使得模型适用范围更广,实验结果表明该方法的有效性和稳健性。
Apr, 2020
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
本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法(UFAL),该方法包括 Uncertain Feature Loss(UFL)函数和 Uncertainty-Based Filtering(UBF)方法,能够有效解决无监督域自适应问题,达到了多个数据集上最先进的结果。
Sep, 2020
本文介绍了一种基于 “分离表达学习” 的双向无监督领域自适应(BiUDA)框架,来提高医疗图像分析中深度学习模型在不同领域间迁移性能,实验结果显示该框架优于当前先进的方法。
Aug, 2021
深度学习在许多领域都展现出其超凡表现,但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现,无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题,并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果,该文对该领域的方法和应用进行了系统比较,并强调了当前方法的不足及未来研究方向。
Aug, 2022
本文提出了一种新的深度学习架构,通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题,在公共基准测试中表现优于现有的方法。
Mar, 2021
本文提出了一种基于深度学习的医学图像诊断方法,使用协同非监督领域自适应算法,从相关领域的有标签数据中进行学习,以提高样本可用性和对抗标签噪声。实验结果证明了该方法的优越性。
Nov, 2019