TI-ST论文速读

Domain Adaptation for Medical Image Segmentation Using Transformation-Invariant Self-training

摘要

能够利用未标记数据的模型对于克服不同成像设备和配置中获取的数据集之间的巨大分布差距至关重要。在这方面，基于伪标记的自训练技术已被证明对半监督域适应非常有效。然而，伪标签的不可靠性会阻碍自训练技术从未标记的目标数据集中诱导出抽象表示的能力，尤其是在分布差距较大的情况下。由于神经网络的性能应该与图像转换无关，因此本文着眼于这一事实来识别不确定的伪标签。
本文认为变换不变性检测可以提供更合理的标签近似值。因此，我们提出了一种用于域适应的半监督学习策略，称为转换不变自训练（TI-ST）。该方法评估了像素级伪标签的可靠性，并在自训练过程中过滤掉了不可靠的检测。

方法

这是一个半监督的框架，根据这个图像，似乎只有一个网络结构，就是根据图像变换保持一致性来训练的

实验结果