[论文阅读] Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation
[论文地址] [代码] [ISBI 22]
Abstract
各种深度学习模型已经被开发出来,用于从医学图像中分割解剖结构,但当在另一个具有不同数据分布的目标域上测试时,它们通常表现不佳。最近,人们提出了无监督的领域适应方法来缓解这种所谓的领域转移问题,但其中大多数是针对领域转移相对较小的场景设计的,当遇到大的领域差距时,很可能会失败。在本文中,我们提出了DCDA,一种新型的跨模式无监督域适应框架,用于具有大的域偏移的任务,例如,从OCTA和OCT图像中分割视网膜血管。DCDA主要由一个分解表示风格转移(DRST)模块和一个协作一致性学习(CCL)模块组成。DRST将图像分解为内容成分和风格代码,并进行风格转移和图像重建。CCL包含两个分割模型,一个用于源域,另一个用于目标域。这两个模型使用标记的数据(连同相应的转移图像)进行监督学习,并对未标记的数据进行协作一致性学习。每个模型都专注于相应的单一领域,旨在产生一个实验性的特定领域分割模型。通过对视网膜血管分割的广泛实验,我们的框架实现了从OCTA到OCTA和从OCTA到OCTA的Dice分数接近目标训练的oracle,大大超过了其他最先进的方法。
Method
本文是一篇利用Image-to-Image Translation进行domain adaptation的工作。即,对于视网膜血管分割任务,有两个常用的模态,OCTA以及OCT。由于这两个模态之间的gap,在一个模态上训练的模型会在另一个模态上失效。一种解决方案是将图像从一个模态翻译至另一个模态。本文的框架如下:
由两部分组成,Disentangling Representation Style Transfer Module(DSRT)以及Collaborative Consistency Learning Module(CCL)。
这个DSRT其实照搬的就是DRIT[1]这个翻译网络,没什么好讲的,将图像用编码器编码成内容向量与风格向量,通过风格向量的交换以实现不同域的迁移。
关于CCL,其作用是让翻译好的图像对分割任务有用。比方说,给定由目标域翻译而来的逼真源域图像x^\hat{x}x^,将其送入源域的分割模型FS\mathcal{F}^SFS中,我们希望其分割结果和真正源域图像xxx的分割结果一样好。但是,对于xxx的分割结果,其有GT作为监督以供参考;而x^\hat{x}x^是没有GT的,那么如何评价其分割结果Fx^S\mathcal{F}^S_{\hat{x}}Fx^S的质量呢?
本文的做法是,利用reverse cycle,得到一个在目标域的分割模型FT\mathcal{F}^TFT。x^\hat{x}x^由yyy翻译而来,把yyy送入FT\mathcal{F}^TFT中,也能得到一个良好的分割结果FyT\mathcal{F}^T_{y}FyT。因此只要约束Fx^S\mathcal{F}^S_{\hat{x}}Fx^S与FyT\mathcal{F}^T_{y}FyT一致即可。
这里一个比较矛盾的点在于,进行这一约束本身是需要目标域上预训练模型FT\mathcal{F}^TFT的。但在很多情况下,领域自适应就是为了求一个目标域模型,所以本文的应用场景与意义比较特殊,即,源域和目标域都有标签,使用领域自适应技术来增强已有的源域和目标域模型。
Ref
[1] Diverse Image-to-Image Translation via Disentangled Representations
[论文阅读] Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation相关推荐
- Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation
Wu F, Zhuang X. Unsupervised domain adaptation with variational approximation for cardiac segmentati ...
- [论文阅读] Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label
论文地址:https://arxiv.org/abs/2202.13170 代码:https://github.com/Kinpzz/UDASOD-UPL 发表于:AAAI 22 Abstract 深 ...
- 【论文阅读】Domain Adaptation for Deep Entity Resolution
Domain Adaptation for Deep Entity Resolution 摘要 实体解析(ER)是数据集成的一个核心问题.ER的最先进(SOTA)结果是通过基于深度学习(DL)的方法实 ...
- 论文阅读——AG-Net:Attention Guided Network for Retinal Image Segmentation
AG-Net:Attention Guided Network for Retinal Image Segmentation AG-Net:注意力引导网络用于视网膜图像分割 from MICCAI2 ...
- 语义分割-Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述
Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述 0.摘要 1.介绍 1.1.语义分割 ...
- 【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 无监督领域自适应
会议:ICML 2015 论文题目:Unsupervised Domain Adaptation by Backpropagation 论文地址:http://proceedings.mlr.pres ...
- 【论文阅读】Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift
Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift SUMMARY@ 2020 ...
- 【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 反向传播的无监督领域自适应
会议:ICML 2015 论文题目:Unsupervised Domain Adaptation by Backpropagation 论文地址: http://proceedings.mlr.pre ...
- 论文阅读(21 AAAI)Mind-the-Gap Unsupervised Domain Adaptation for Text-Video Retrieval
Task: 视频文本检索 Setting:Unsupervised Domain Adaptation 所使用的数据集:ActivityNet-Captions.MSR-VTT.LSMDC.MSVD ...
最新文章
- 从Nginx源码谈大小写字符转化的最高效代码以及ASCII码表的科学
- 【程序人生】不想一辈子做底层码农?快来看看这十条箴言
- 我们用4行代码节省了100万 记录与阿里云PCDN相遇全过程
- 快为网易云官网出谋划策,5步轻松获得网易味央猪肉!
- C/C++基础知识点(三)
- 服务器硬盘维修工具,服务器硬盘镜像备份和恢复工具_OO DiskImage Server V8.5.39 服务器版...
- C语言符号位补码要变吗,补码与符号位取反
- SAP OData Total = 80是这样计算出来的
- 捷达vs7测试_捷达VS7——品质硬核!
- mysql nhibernate_C#连接Mysql数据库NHibernate
- (LINQ 学习系列)(6)Linq教程实例: 使用自写类代码来访问数据
- 移动端高清适配方案(解决图片模糊问题、1px细线问题)
- C++入门经典-例3.9-使用嵌套表达式判断一个数是否是3和5的整数倍
- 在centos安装oracle客户端,centos下安装oracle客户端
- Apple Pay的使用
- 业务中台--如何设计企业级权限管理系统
- 三大条件致病菌|大肠埃希氏菌、血链球菌、李斯特菌
- SAP MM 供应工厂1050和凭证类型ZIC没有定义供货类型
- win10系统oracle删除用户,win10 清除个人数据库
- ffmeg将多段视频合成一个视频
热门文章
- 一个完全免费的在线画图网站
- 全球首位数字航天员“小诤”亮相中国空间站;湖南三安半导体产业园项目投产 | 全球TMT...
- C语言程序设计之平面连杆机构解析法函数版
- 中国艺术史论文索引·音乐(四十年代)
- NLP自然语言处理系列——LDA主题词模型探析
- 安卓强制恢复出厂_手机恢复出厂设置,真能“流畅如新机”吗?手机维修师傅道出实情...
- Word中的7个特殊字符你知道几个?上班族务必要看!
- win7咱么锁定计算机,怎么锁定计算机?Win7锁定电脑屏幕的步骤
- oracle11g keep表,ORACLE11G中大表不能放入KEEP池中
- python获取文件后缀_Python使用filetype精确判断文件类型 (文件类型获取)