基于课程的增强 Fourier 领域自适应方法用于稳健的医学图像分割
本论文描述了一种简单的无监督领域适应方法,通过交换低频谱来减少源和目标分布之间的差异,该方法在语义分割中实现了最新的性能,并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。
Apr, 2020
基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制,往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法,通过利用 MRI 特定的增强技术,在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估,并与目前最先进的方法进行比较。结果表明,我们提出的方法在各种任务中均具有高准确性、广泛适用性,并且对于不同领域的转移表现出非凡的鲁棒性,超过了大部分情况下的最先进性能。
Aug, 2023
使用傅里叶方法(FTF)改善无监督领域适应性,通过融合傅里叶域中源域和目标域的振幅,将目标域的低级信息有效地整合到源域中,并引入相关性对齐的概念进一步调整多源数据,以实现卓越的性能。
Mar, 2024
本研究提出了一种基于 3D 频率域的对抗攻击方法,以提高深度学习模型在医疗图像分割中的鲁棒性,并通过引入频域一致性损失来实现模型的性能和鲁棒性的平衡。
Jul, 2023
在医学图像分割领域,我们提出了一种新颖的两阶段无源域适应框架(SFDA),通过仅使用训练有素的源分割模型和无标签目标数据,旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型,通过最小化预期成本,通过双向传输将目标特征与类原型对齐,其次设计了对比学习阶段,利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明,我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。
Jul, 2023
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
提出了一个两阶段训练策略来实现领域自适应的稳健性,第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力,第二阶段提出了一种新的稳健伪标签和伪边界方法,有效利用无标签目标数据生成伪标签和伪边界,实现模型的自适应,无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。
Oct, 2023
本文提出一种基于对抗学习的无监督域适应框架,通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题,无需使用目标域标签信息,仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割,取得了良好的结果。
Apr, 2018
本文提出了一种基于 Fourier 对抗攻击的鲁棒域自适应技术 (RDA),可用于解决多个计算机视觉任务中的域自适应问题,其生成的对抗样本可以在使图像特征保持不变的情况下,减小由于域偏移带来的噪声问题,从而使模型的鲁棒性增强。
Jun, 2021