CVPR 2023 中的领域适应:用于切片方向连续的无监督跨模态医学图像分割
目录
- 前言
- 体积型 UDA 框架概述
- 具体实现
- Unpaired 图像转换
- 体积自训练和伪标签优化
- 实验
- 总结
- 前言
前言
我们已经介绍过 3 篇 CVPR 中的典型领域适应工作,他们三篇都是 TTA(Test-Time Adaptation)的 settings,而这次要介绍的文章是 UDA(Unsupervised domain adaptation)的 setting。之前的三篇文章分别是:
在这篇文章中,提出了 SDC-UDA,一种简单而有效的用于连续切片方向的跨模态医学图像分割的体积型 UDA 框架,它结合了切片内和切片间自注意力图像转换、不确定性约束的伪标签优化和体积型自训练。与以前的医学图像分割 UDA 方法不同之处在于它可以获得切片方向上的连续分割(这一点有点重要,因为往往临床上都是一个 3D 数据,而直接处理 3D 数据又需要很大的计算资源),从而确保更