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: