ConFUDA: Contrastive Fewshot Unsupervised Domain Adaptation for Medical Image Segmentation

要約

教師なし領域適合（UDA）は、ラベル付けされたソース領域から学習した知識を、ラベル付けされていないターゲット領域に伝達することを目的としている。UDAの文脈における対比学習(CL)は、特徴空間におけるクラスをより良く分離するのに役立つ。しかし、画像セグメンテーションにおいては、ピクセル単位の対比的損失の計算による大きなメモリフットプリントがあるため、使用するのは禁止されている。また、医用画像処理では、ラベル付けされた対象データが容易に入手できず、新たなサンプルを入手することは経済的でない。そのため、本研究では、ターゲット領域から得られる画像が数枚（fewshot）または1枚（oneshot）しかない場合、より困難なUDAタスクに取り組む。我々は、ターゲットサンプルの不足を緩和するために、スタイルトランスファーモジュールを適用する。次に、ソースとターゲットの特徴を整列させ、従来のコントラストロスのメモリ問題に取り組むため、セントロイドに基づくコントラスト学習（CCL）と、方向と大きさの両方においてコントラストペアを最適化するセントロイドノルム正則化器（CNR）を提案する。さらに、対象特徴の分散をさらに小さくするために、マルチパーティションセントロイドコントラスト学習(MPCCL)を提案する。MS-CMRSegデータセットでのFewshot評価により、ConFUDAはベースラインと比較してターゲット領域でのDice scoreを0.34向上させ、より厳密なoneshot設定においても0.31のDice score向上を実証している。

要約(オリジナル)

Unsupervised domain adaptation (UDA) aims to transfer knowledge learned from a labeled source domain to an unlabeled target domain. Contrastive learning (CL) in the context of UDA can help to better separate classes in feature space. However, in image segmentation, the large memory footprint due to the computation of the pixel-wise contrastive loss makes it prohibitive to use. Furthermore, labeled target data is not easily available in medical imaging, and obtaining new samples is not economical. As a result, in this work, we tackle a more challenging UDA task when there are only a few (fewshot) or a single (oneshot) image available from the target domain. We apply a style transfer module to mitigate the scarcity of target samples. Then, to align the source and target features and tackle the memory issue of the traditional contrastive loss, we propose the centroid-based contrastive learning (CCL) and a centroid norm regularizer (CNR) to optimize the contrastive pairs in both direction and magnitude. In addition, we propose multi-partition centroid contrastive learning (MPCCL) to further reduce the variance in the target features. Fewshot evaluation on MS-CMRSeg dataset demonstrates that ConFUDA improves the segmentation performance by 0.34 of the Dice score on the target domain compared with the baseline, and 0.31 Dice score improvement in a more rigorous oneshot setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL