A Chebyshev Confidence Guided Source-Free Domain Adaptation Framework for Medical Image Segmentation

要約

ソースフリー ドメイン アダプテーション (SFDA) は、ソース データにアクセスせずに、ラベル付きソース ドメインでトレーニングされたモデルをラベルなしのターゲット ドメインに適応させることを目的としています。
医用画像処理シナリオでは、プライバシーへの懸念から SFDA 手法の実際的な重要性が強調されています。
最近の最先端の SFDA メソッドは、主に疑似ラベル (PL) に基づく自己トレーニングに依存しています。
残念ながら、PL はドメイン シフトによって引き起こされる精度低下の影響を受けるため、適応プロセスの有効性が制限されます。
この問題に対処するために、PL の信頼性を正確に評価し、自己訓練のための自己改善型 PL を生成するためのチェビシェフ信頼ガイド SFDA フレームワークを提案します。
チェビシェフ信頼度は、予測と対応する不確実性を考慮して、PL 信頼度の確率の下限を計算することによって推定されます。
チェビシェフの信頼を活用して、直接ノイズ除去とプロトタイプノイズ除去という 2 つの信頼ガイド型ノイズ除去手法を導入します。
さらに、PL を反復的に改善するための信頼度重み付けモジュールを組み込んだ、新しい教師と生徒の共同トレーニング スキーム (TJTS) を提案します。
TJTS はノイズ除去手法と連携して、ノイズの伝播を効果的に防止し、PL の精度を高めます。
さまざまな領域のシナリオにおける広範な実験により、提案されたフレームワークの有効性が検証され、最先端の SFDA 手法に対するその優位性が確立されました。
私たちの論文は、擬似ラベルの信頼性を正確に推定するための新しいアプローチと、高品質のPLを取得するためのフレームワークを提供し、適応パフォーマンスの向上をもたらすことで、SFDAの分野に貢献します。

要約(オリジナル)

Source-free domain adaptation (SFDA) aims to adapt models trained on a labeled source domain to an unlabeled target domain without the access to source data. In medical imaging scenarios, the practical significance of SFDA methods has been emphasized due to privacy concerns. Recent State-of-the-art SFDA methods primarily rely on self-training based on pseudo-labels (PLs). Unfortunately, PLs suffer from accuracy deterioration caused by domain shift, and thus limit the effectiveness of the adaptation process. To address this issue, we propose a Chebyshev confidence guided SFDA framework to accurately assess the reliability of PLs and generate self-improving PLs for self-training. The Chebyshev confidence is estimated by calculating probability lower bound of the PL confidence, given the prediction and the corresponding uncertainty. Leveraging the Chebyshev confidence, we introduce two confidence-guided denoising methods: direct denoising and prototypical denoising. Additionally, we propose a novel teacher-student joint training scheme (TJTS) that incorporates a confidence weighting module to improve PLs iteratively. The TJTS, in collaboration with the denoising methods, effectively prevents the propagation of noise and enhances the accuracy of PLs. Extensive experiments in diverse domain scenarios validate the effectiveness of our proposed framework and establish its superiority over state-of-the-art SFDA methods. Our paper contributes to the field of SFDA by providing a novel approach for precisely estimating the reliability of pseudo-labels and a framework for obtaining high-quality PLs, resulting in improved adaptation performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google