Tabla de contenido
-
prefacio
-
conocimiento previo
- Aprendizaje semisupervisado
- Adaptación de dominio
- Aprendizaje contrastivo
-
Introducción al método CS-CADA
- Aprendizaje conjunto con normalización por lotes de dominio específico (DSBN)
- Profesor medio autoensamblado (SE-MT) con DSBN
- Aprendizaje contrastivo entre dominios
-
Pérdida total de entrenamiento
-
Experimenta y Visualiza
-
Resumir
-
referencia
¡Este artículo se publicó por primera vez en GiantPandaCV y no se puede reproducir sin permiso! !
prefacio
U-Net ha logrado un rendimiento de vanguardia en la segmentación de imágenes médicas, pero requiere una gran cantidad de imágenes anotadas manualmente para la capacitación. Los métodos de aprendizaje semisupervisado (SSL) pueden reducir la necesidad de anotación, pero su rendimiento sigue siendo limitado cuando el conjunto de datos y la cantidad de imágenes anotadas son pequeños. Ayudar al entrenamiento con conjuntos de datos anotados existentes con una anatomía similar puede mejorar el rendimiento del modelo. Sin embargo, este enfoque se ve desafiado por diferencias anatómicas entre dominios debido a que la apariencia de la estructura de destino y la modalidad de imagen difieren de los conjuntos de datos anotados existentes. Para resolver este problema, este artículo propone el método de aprendizaje contrastivo semisupervisado para la adaptación del dominio de anatomía cruzada (CS-CADA), utilizando un conjunto de clases en el dominio de origen.