CXR Segmentation by AdaIN-based Domain Adaptation and Knowledge Distillation

要約

セグメンテーションラベルが不足しているため、ドメイン適応、半教師ありまたは自己教師あり学習技術を使用してセグメンテーションネットワークをトレーニングし、ラベルのない豊富なデータセットを利用するための広範な研究が行われています。
ただし、これらのアプローチは互いに異なって見えるため、パフォーマンスを向上させるためにこれらのアプローチをどのように組み合わせることができるかは明確ではありません。
最近のマルチドメイン画像翻訳アプローチに触発されて、ここでは、適応インスタンス正規化（AdaIN）を使用する新しいセグメンテーションフレームワークを提案します。これにより、単一のジェネレーターが、タスクを変更するだけで知識蒸留を介してドメイン適応と半教師ありセグメンテーションタスクの両方を実行するようにトレーニングされます。
-特定のAdaINコード。
具体的には、私たちのフレームワークは、胸部X線写真（CXR）のセグメンテーションで困難な状況に対処するように設計されています。この場合、ラベルは正常なデータにのみ使用できますが、トレーニング済みモデルは正常なデータと異常なデータの両方に適用する必要があります。
提案されたネットワークは、ドメインシフトの下で優れた一般化可能性を示し、異常なCXRセグメンテーションに対して最先端のパフォーマンスを実現します。

要約(オリジナル)

As segmentation labels are scarce, extensive researches have been conducted to train segmentation networks with domain adaptation, semi-supervised or self-supervised learning techniques to utilize abundant unlabeled dataset. However, these approaches appear different from each other, so it is not clear how these approaches can be combined for better performance. Inspired by recent multi-domain image translation approaches, here we propose a novel segmentation framework using adaptive instance normalization (AdaIN), so that a single generator is trained to perform both domain adaptation and semi-supervised segmentation tasks via knowledge distillation by simply changing task-specific AdaIN codes. Specifically, our framework is designed to deal with difficult situations in chest X-ray radiograph (CXR) segmentation, where labels are only available for normal data, but trained model should be applied to both normal and abnormal data. The proposed network demonstrates great generalizability under domain shift and achieves the state-of-the-art performance for abnormal CXR segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google