Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for Source-Relaxed Medical Image Segmentation

要約

教師なしドメイン適応 (UDA) は、ラベル付けされたソース ドメインから学習した情報を移行して、ラベル付けされていない異種ターゲット ドメインでの実装を容易にするための重要なプロトコルです。
通常、UDA は両方のドメインのデータを使用して共同でトレーニングされますが、患者データのプライバシーや知的財産に関する懸念から、ラベル付けされたソース ドメイン データへのアクセスは制限されることがよくあります。
これを回避するために、適応にソースドメインデータがない場合に、ソースドメインでトレーニングされたOSセグメンターをターゲットドメインに適応させることにより、画像セグメンテーションを目的とした「既製（OS）」UDA（OSUDA）を提案します
.
この目標に向けて、新しいバッチ単位の正規化 (BN) 統計適応フレームワークを開発することを目指しています。
特に、ドメイン固有の低次 BN 統計 (平均や分散など) を指数関数的運動量減衰戦略を通じて徐々に適応させながら、ドメイン共有可能な高次 BN 統計 (スケーリングやシフト係数など) の一貫性を明示的に強制します。
、最適化目標を介して。
また、チャネルごとの転送可能性を適応的に定量化し、低次統計の発散とスケーリング係数の両方を介して、各チャネルの重要性を測定します。~さらに、監視されていない自己エントロピー最小化をフレームワークに組み込み、新しいキューと並んでパフォーマンスを向上させます。
安定した効率的な教師なし適応のために信頼できる疑似ラベルを利用するためのメモリ一貫性のある自己訓練戦略。
クロスモダリティおよびクロスサブタイプの脳腫瘍のセグメンテーションと、心臓MRからCTへのセグメンテーションタスクの両方で、OSUDAベースのフレームワークを評価しました。
私たちの実験結果は、メモリ一貫性のある OSUDA が既存のソース緩和型 UDA メソッドよりも優れたパフォーマンスを発揮し、ソース データを使用する UDA メソッドと同様のパフォーマンスをもたらすことを示しました。

要約(オリジナル)

Unsupervised domain adaptation (UDA) has been a vital protocol for migrating information learned from a labeled source domain to facilitate the implementation in an unlabeled heterogeneous target domain. Although UDA is typically jointly trained on data from both domains, accessing the labeled source domain data is often restricted, due to concerns over patient data privacy or intellectual property. To sidestep this, we propose ‘off-the-shelf (OS)’ UDA (OSUDA), aimed at image segmentation, by adapting an OS segmentor trained in a source domain to a target domain, in the absence of source domain data in adaptation. Toward this goal, we aim to develop a novel batch-wise normalization (BN) statistics adaptation framework. In particular, we gradually adapt the domain-specific low-order BN statistics, e.g., mean and variance, through an exponential momentum decay strategy, while explicitly enforcing the consistency of the domain shareable high-order BN statistics, e.g., scaling and shifting factors, via our optimization objective. We also adaptively quantify the channel-wise transferability to gauge the importance of each channel, via both low-order statistics divergence and a scaling factor.~Furthermore, we incorporate unsupervised self-entropy minimization into our framework to boost performance alongside a novel queued, memory-consistent self-training strategy to utilize the reliable pseudo label for stable and efficient unsupervised adaptation. We evaluated our OSUDA-based framework on both cross-modality and cross-subtype brain tumor segmentation and cardiac MR to CT segmentation tasks. Our experimental results showed that our memory consistent OSUDA performs better than existing source-relaxed UDA methods and yields similar performance to UDA methods with source data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google