Robust Source-Free Domain Adaptation for Fundus Image Segmentation

要約

教師なしドメイン適応 (UDA) は、ソース ドメインで学習した知識を、ラベル付きトレーニング データからラベルなしデータのみを含むターゲット ドメインに転送する学習手法です。
通常、ラベル付きのトレーニング データが欠如しているため、医療画像のセグメンテーションにとっては非常に重要です。
ターゲットドメインにおけるセグメンテーションモデルの精度を向上させるためにUDA技術を最適化するために広範な努力がなされてきましたが、UDAの下でのこれらのモデルの堅牢性を扱った研究はほとんどありません。
この研究では、堅牢なドメイン適応のための 2 段階のトレーニング戦略を提案します。
ソース トレーニングの段階では、敵対的サンプル拡張を利用して、ソース モデルの堅牢性と一般化機能を強化します。
また、ターゲットのトレーニング段階では、ラベルのないターゲット データを効果的に利用して、ソース データを必要とせずにモデルの自己適応を可能にする疑似ラベルと疑似境界を生成する、新しいロバストな疑似ラベルおよび疑似境界 (PLPB) 手法を提案します。
クロスドメイン眼底画像セグメンテーションに関する広範な実験結果により、私たちの方法の有効性と汎用性が確認されています。
この研究のソース コードは、https://github.com/LinGrayy/PLPB からオープンにアクセスできます。

要約(オリジナル)

Unsupervised Domain Adaptation (UDA) is a learning technique that transfers knowledge learned in the source domain from labelled training data to the target domain with only unlabelled data. It is of significant importance to medical image segmentation because of the usual lack of labelled training data. Although extensive efforts have been made to optimize UDA techniques to improve the ac?curacy of segmentation models in the target domain, few studies have addressed the robustness of these models under UDA. In this study, we propose a two-stage training strat?egy for robust domain adaptation. In the source training stage, we utilize adversarial sample augmentation to en?hance the robustness and generalization capability of the source model. And in the target training stage, we propose a novel robust pseudo-label and pseudo-boundary (PLPB) method, which effectively utilizes unlabeled target data to generate pseudo labels and pseudo boundaries that enable model self-adaptation without requiring source data. Ex?tensive experimental results on cross-domain fundus image segmentation confirm the effectiveness and versatility of our method. Source code of this study is openly accessible at https://github.com/LinGrayy/PLPB.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google