目录
Transferability-Guided Multi-source Model Adaptation for Medical Image Segmentation
摘要
传统方法假定源数据来自单个客户端,不能很好地利用多源域的互补知识,且需要在训练过程中访问源数据,这在隐私保护和内存存储方面效率低下。为解决这些挑战,研究了一种新颖的实际问题,即多源模型适应(MSMA),旨在将多个源模型转移到未标记的目标域而无需任何源数据。为了消除负迁移,提出了一种转移性引导模型适应(TGMA)框架,其中设计了一个无标签的转移性度量(LFTM)来评估源模型的转移性。基于设计的度量,计算了实例级转移性矩阵(ITM)和域级转移性矩阵(DTM),用于改善目标模型初始化。在多站点前列腺分割数据集上的实验结果证明了该框架的优越性。
本文方法
(a) 无标签可转移性指标(LFTM)估计器:用于评估源模型的转移性,即源域模型在目标域中的适应能力,从而帮助选择最适合目标域的源模型。
(b) 可转移性引导的模型选择:根据计算的转移性指标,选择对目标域适应性最好的源模型,以初始化目标模型。
© 可