1.作者
主要是 约翰霍普金斯大学和美国国家老龄问题研究所,国家卫生研究所合作完成的
发表与MIA
2.创新与目的
目的:是为了在domain adaption 上实现创新
创新:提出了Task model(T 分割模型) ,a set of autoencoder (AEs 相似度测量),a set of Adaptors(As transform test image and features to be similar to the source.)
T 和AEs 就是在 source domain 上学习,然后 Adaptors 在 target domain 上学习
3.网络架构
为什么使用autoencoder作为相似度度量了? 这里采取了异常检测相似的思想Gong et al. (2019),的
源训练数据被认为正常,域移测试数据被认为异常。等于说用Autoencoder 代替了神经网络或者是距离函数 作为比较两张图片之间距离的方法
训练阶段:用来训练T 和Adaptor
测试阶段:
这其实是将U-ent拆解出来了,大家可以看到测试阶段的A1 到 A3 和 Ax 其实就是adaptor,用来减少AE的误差,其实我们就可以看成是相对其他方法的多维度的使用AE 减少距离
Ax transforms input test image xt to minimize thereconstruction loss from AEx,
loss:多层的L2 loss之和
4.问题与解决方法
-
如何避免特征幻觉(feature hallucination)geometry shift
-
我们如何使适配器可以通过单个测试对象进行训练?
为什么用1*1? 卷积的方向模糊也会导致解剖边界位移,影响边界敏感的分割任务,如视网膜层分割。
(雾 感觉这一块理解的不太好) -
重构能力太强导致所有的结果都离得很近无法分割
写了一堆 看起来就是加了个偏置,同时需要保证转变前后的距离不变。
不懂为啥这么做。。。