Unsupervised Domain Adaptation via Disentangled Representations: Application to Cross-Modality Liver Segmentation
作者:Junlin Yang,yale
Intro
CT便宜快速,但有辐射且对比度低;MRI对比度高,无辐射,但成本高,不易得到。在实际治疗中,CT和MRI都需要,且需要对这两种模态进行相同的病灶分割。CT数据比MRI更易得到,如果在CT数据上训练分割模型,然后在MRI上测试,因为domain shift的缘故,效果会很差。
现有的Cyclegan的方法是基于像素的风格迁移,往往会丢失语义分割信息。更重要的是,cyclegan是一对一映射,这导致它输出缺乏多样性(?),因而产生的影像都非常相似。无法表征现实中复杂的分布,进而降低分割性能。
本文希望解决这个问题。通过多对多的映射来保留CT与MR之间的复杂关系。具体而言,通过解耦合将原影像表征至content与style两个空间。其中content空间为不同模态共享的信息,包括组织结构信息,语义分割信息;而style空间则是表征模态特异的信息。本文是第一篇利用disentangled representation实现无监督模态转换来进行医学影像分割的。
Method
本方法 Domain Adaptation via Disentangled Representations(DADR&#