Retinal Vessel Segmentation via Dual-teacher Multi-target Domain Adaptation

Student Becomes Decathlon Master in Retinal Vessel Segmentation via Dual-teacher Multi-target Domain Adaptation

Keywords: Multi-target domain adaptation · Dual teacher · Knowledge distillation · Style transfer · Retinal vessel segmentation

Abstract

无监督域适应最近被提出，以解决所谓的不同分布的训练数据和测试数据之间的域转移。然而，它们大多只关注单目标域自适应，无法应用于多目标域场景。本文提出一种新的无监督多目标域适应方法RVms，用于从多模态和多中心的视网膜图像中分割视网膜血管(RVs)。RVms主要由风格增强和迁移(SAT)模块和双教师知识蒸馏(DTKD)模块组成。SAT通过Bezier变换和傅里叶变换将图像扩充和聚类为源相似域和源不相似域。DTKD利用扩充和转换后的数据来训练两个教师，一个用于源相似领域，另一个用于源不相似领域。然后，进行知识蒸馏，迭代地从教师到普通学生提取不同的领域知识。利用局部相对强度变换对RV进行域不变描述，提高教师模型和学生模型的泛化能力。此外，我们从现有的公开数据集中构建了一个新的多模态多中心血管分割数据集，该数据集可用于对各种领域适应和领域泛化方法进行基准测试。通过大量的实验，发现RVms在分割RVs方面非常接近目标训练的Oracle，在很大程度上优于其他最先进的方法。

Introduction

Multimodal ophthalmic images 多模态眼科图像

Modality 模态

State-of-the-art (SOTA) 最先进的

Multi-target domain adaptation (MTDA)

Style augmentation and transfer (SAT)

Dual-teacher knowledge distillation (DTKD)

Local relative intensity transformation (LRIT)

Methodology

SAT(SA + ST) + DTKD(LRIT)

SAT:

LRIT:

KD:

Experiments and Results

搞了个数据集：mmRV

Metrics: Dice[%] and 95% Hausdorff Distance (HD[px])

We use ResNet34 with ImageNet pretrained initialization as the encoder in a modified U-net architecture.