领域适应(跨相似解剖结构)分割"/>
TMI 2023:对比半监督学习的领域适应(跨相似解剖结构)分割
目录
-
前言
-
前置知识
- Semi-supervised Learning
- Domain Adaptation
- Contrastive Learning
-
CS-CADA 方法介绍
- Joint Learning with Domain-Specific Batch Normalization(DSBN)
- Self-Ensembling Mean Teacher (SE-MT) with DSBN
- Cross-Domain Contrastive Learning
-
Overall Training Loss
-
实验和可视化
-
总结
-
参考
本文首发于 GiantPandaCV,未经允许不得转载!!
前言
U-Net 在医学图像分割方面已经取得了最先进的表现,但是需要大量手动注释的图像来进行训练。半监督学习(SSL)方法可以减少注释的需求,但是当数据集和注释图像数量较小时,其性能仍然受到限制。利用具有相似解剖结构的现有标注数据集来辅助训练可以提高模型性能。但是,这个方法面临的挑战是由于目标结构的外观和成像模式与现有标注数据集不同,导致解剖跨域差异。为了解决这个问题,这篇论文提出了跨解剖域自适应对比半监督学习(Contrastive Semi-supervised learning for Cross Anatomy Domain Adaptation,CS-CADA)方法,通过利用源域中一组类
更多推荐
TMI 2023:对比半监督学习的领域适应(跨相似解剖结构)分割
发布评论