Unsupervised Domain Adaptation for Anatomical Landmark Detection论文速读

Unsupervised Domain Adaptation for Anatomical Landmark Detection

摘要

最近，解剖学标志检测在单域数据上取得了进步，单域数据通常假设训练集和测试集来自同一域。然而，这种假设在实践中并不总是正确的，由于域偏移，这可能会导致性能显著下降。为了解决这个问题，我们提出了一种新的框架，用于在无监督域适应（UDA）下进行解剖学标志检测，该框架旨在将知识从标记的源域转移到未标记的靶域。
该框架利用自我训练和领域对抗学习来解决适应过程中的领域差距。具体而言，该文提出一种自训练策略，选择具有动态阈值的目标域数据可靠的地标级伪标签，使适应更加有效。此外，还设计了一个领域对抗性学习模块，通过对抗性训练学习领域不变特征，从而处理两个领域的不对齐数据分布。

本文方法

首先作者给出了源域和目标域的图像差别，分布式也有所不同

总共的模型结构

首先讲源域的和目标域的图像经过特征提取，然后源域在经过 Landmark Detection Model，如下图所示

首先利用transformer解码器得到坐标，landmark queries是利用卷积提取的特征，然后进行局部微调
局部微调模块通过 1 × 1 个卷积层输出分数图 yˆs 和 偏移图 yˆo（输入为landmark queries）。分数图表示每个网格成为目标地标的可能性，而偏移图表示相邻网格与目标的相对偏移量。分数图的标签由高斯核平滑，L2 损失用于损失函数 Lscore。由于偏移量是一个回归问题，因此 L1 用于损失 Loffset，并且仅应用于其 GT 分数大于零的区域。在推理过程中，最佳局部格网不是由yˆs的最大分数选择的，而是由全局定位的坐标投影来选择的。然后将相应的偏移值添加到最佳网格中进行细化。此外，通过投影可以很容易地从分数图中获得每个预测的置信度

Landmark-Aware Self-training策略，提出了 LAST，它在坐标级别选择可靠的伪标签

M为mask操作
然后结合Domain Adversarial Learning，特征 f 进一步通过全局平均池化 （GAP） 和全连接 （FC） 层，然后连接到域分类器 D 以区分输入 x 的来源。分类器可以使用二元交叉熵损失进行训练

d为域标签
总的损失函数如下

实验结果