Wu F, Zhuang X. Unsupervised domain adaptation with variational approximation for cardiac segmentation[J]. IEEE Transactions on Medical Imaging, 2021, 40(12): 3555-3567.
2021年6月发表在TMI上的一篇文章。用VAE(直译:变量逼近法/变量近似法)进行心脏分割的无监督域适应研究。
关于VAE:变分自编码器VAE:原来是这么一回事 | 附开源代码 - 知乎
0、简介
大多数已有的工作将源域和目标域的图像映射到一个共同的潜在特征空间中,然后通过对抗性训练隐含地减少它们的差异(比如FCNs in the wild、AdaptNet),或者通过直接最小化差异指标明确地减少差异(比如AdvEnt的熵图)。在这项工作中,作者提出了一个新的框架,其中两个领域的潜在特征被驱动到一个共同的参数化的变量形式,其给定图像的条件分布是高斯的。这是由两个基于变异自动编码器(VAEs)的网络和这种变异近似的正则化实现的。这两个VAE,每个领域都包含一个分割模块,其中源分割是以监督的方式训练的,而目标分割是以无监督的方式训练。我们用两个心脏分割任务验证了所提出的领域适应方法,即跨模式(CT和MR)的全心分割,以及跨序列的心脏MR分割。结果表明,与两种最先进的方法相比,所提出的方法取得了更好的准确度,并显示了用于心脏