Pulmonary--Detection7

Unsupervised Cross-Modality Domain Adaptation of ConvNets for Biomedical Image Segmentations with Adversarial Loss

摘要：
在本文中，提出了一种具有对抗性学习的无监督域自适应框架，用于跨模式生物医学图像分割。具体来说，该模型基于经过改进的全卷积网络，用于逐像素预测。此外，还构建了一个即插即用的域自适应模块（DAM），以将目标输入映射到与源域空间对齐的特征。设置了一个域批判模块（DCM），以区分两个域的特征空间。通过对抗性损失来优化DAM和DCM，而无需使用任何目标域标签。

介绍：
在本文中，提出了一种新的跨模态域自适应框架，用于无监督的对抗医学图像分割。为了将建立的ConNet从源域（MRI）转移到目标域（CT）图像，设计了一个即插即用域自适应模块（DAM），该模块将目标输入数据隐式映射到源域的特征空间。此外，还构造了一个鉴别器，称为域注释器模块（DCM），用于区分两个域的特征分布。
贡献：1.率先使用深层ConvNets对医学图像分割进行跨模态域自适应。 灵活的即插即用框架旨在通过特征级映射将MRI分割器传输到CT数据； 2.通过无监督的对抗性学习，以不成对的MRI / CT图像优化了框架，从而消除了标记额外医疗数据集的成本；3.广泛的实验在心脏分割应用方面取得了可喜的成果，已验证了放射学跨模态域自适应的可行性，以及我们实现此任务的方法的有效性。

方法：

结果：