[IEEE TMI | 论文简读] 基于对比半监督学习的相似解剖结构领域自适应分割

简读分享 | 陈兴民 编辑 | 龙文韬

论文题目

Contrastive Semi-supervised Learning for Domain Adaptive Segmentation Across Similar Anatomical Structures

论文摘要

卷积神经网络(CNN)在医学图像分割方面已经取得了最先进的性能，但仍需要大量的人工标注进行训练。半监督学习(SSL)方法有望减少对标注的需求，但当数据集大小和标注图像数量较小时，其性能仍然有限。利用具有相似解剖结构的现有注释数据集来辅助训练具有改进模型性能的潜力。然而，由于图像模态甚至目标域中的不同器官，它还受到跨解剖域移动的挑战。为了解决这个问题，本文提出了用于跨解剖域自适应的对比半监督学习(CS-CADA ),该学习调整模型以分割目标域中的相似结构，通过利用源域中相似结构的一组现有注释图像，只需要目标域中有限的注释。作者使用特定领域批量标准化(DSBN)来分别标准化两个解剖领域的特征图，并提出一种跨领域对比学习策略来鼓励提取领域不变特征。它们被集成到SE-MT框架中，以利用具有预测一致性约束的未标记目标域图像。大量实验表明，本文中的CS-CADA能够解决具有挑战性的交叉解剖结构域偏移问题，在视网膜血管图像的帮助下实现X射线图像中冠状动脉的精确分割，并借助眼底图像分别在目标域中给出少量注释。

论文链接

https://ieeexplore.ieee.org/document/9903480

github链接

https://github.com/HiLab-git/DAG4MIA