一种用于医学图像分割的多源模型适应方法

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