从无监督领域自适应角度重新思考基于弱监督分割
使用自注意力图像翻译、不确定性约束下的伪标签改进和三维自我训练的简单而有效的 SDC-UDA 框架通过无监督域适应在医学图像领域中可以实现病态标记数据从一个成像模态到具有无标签标签的另一个成像模态的转换,其在分割精度和在切片方向上连续性上均表现出优异的性能。
May, 2023
本研究探讨了医学图像分割中相对较少研究的半监督域适应方法,通过使用自我学习的预训练编码器以及像素级特征一致性约束,提出了一种两阶段训练过程,并实验证明该方法在两个域适应图像分割任务中优于其他方法。
Jul, 2023
提出了一种基于增强型筛选伪标签的无监督域自适应 (Unsupervised Domain Adaptation, UDA) 方法,用于三维医学图像分割,通过交叉域数据增强生成高质量伪标签,结合标注的源域图像和目标域伪标签进行模型训练,在多个公共多模态数据集上表现优于十种先进的 UDA 方法,并在某些情况下甚至超过了全监督学习的效果。
Apr, 2024
本文提出了一种新颖的批量规范化(BN)统计适应框架,其中逐渐调整域特定的低阶 BN 统计量(例如平均值和方差),同时通过优化目标明确强制执行域共享的高阶 BN 统计量的一致性(例如缩放和移位因子)进行的非监督领域自适应,该框架与基于假标签的自训练策略相结合,实现了在没有源域数据的情况下的图像分割任务的迁移。
Sep, 2022
提出了一种用于语义分割的开放域适应方法,在目标域中包含未知类别,通过构建边界和未知形状感知的开放域域自适应模型 (BUS),利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界,并提出了一种新的领域混合增强方法(OpenReMix),此方法指导模型学习域和尺寸不变特征,以改善已知和未知类别的形状检测,通过广泛实验表明,与之前的方法相比,BUS 在具有挑战性的 OSDA-SS 场景中有效地检测未知类别。
May, 2024
该研究提出一种基于双层域混合的半监督领域自适应框架,结合数据混合方法和知识蒸馏,通过给定少量标记的数据和大量标记的源数据来减少域间差异,并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。
Mar, 2021
医学图像分割中存在有限标注和领域转移的问题,传统的半监督分割和无监督领域自适应方法只解决了其中一个问题,本文提出了一种新的具有挑战性的情景:混合领域半监督医学图像分割(MiDSS),并通过引入统一的复制 - 粘贴(UCP)和对称引导训练策略(SymGD)解决问题,进一步使用训练过程感知的随机幅值混合(TP-RAM)方法以获得更好的分割结果。
Apr, 2024
医学图像分析中的深度学习技术通常受到源数据和目标数据之间的领域转移问题的困扰。现有的工作主要集中在无监督域自适应(UDA)上,但在实际应用中,隐私问题更为严重。本研究针对源自由无监督域自适应(Source-Free UDA)的挑战,提出了稳定学习(Stable Learning)策略,该策略以权重一致性和熵增加为核心来解决目前 UDA 医学方法所面临的过拟合困境。实验证明了稳定学习的有效性,并进行了大量消融实验。此外,研究团队还将发布包含多种 MSFUDA 方法的代码。
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
本文研究了一个实际问题 —— 无源域自适应(SFDA),提出了一种名为 RPANet 的新的 SFDA 框架,该框架通过粗细自监督学习来学习区域级和像素级有判别性的表示,实验表明 RPANet 在医学应用中超越了现有的 SFDA 和 UDA 方法。
Aug, 2023