Unsupervised Domain Adaptation for Brain Vessel Segmentation through Transwarp Contrastive Learning

要約

教師なしドメイン適応 (UDA) は、ラベル付きソース分布をラベルなしターゲット分布と調整して、ドメイン不変の予測モデルを取得することを目的としています。
クロスモダリティの医療データはドメイン内およびドメイン間の大幅な変化を示し、そのほとんどがラベル付けされていないため、医療画像分析では UDA がより重要になりますが、その重要性はさらに高まります。
この論文では、ラベル付きソース分布とラベルなしターゲット分布の間のドメイン間ギャップを狭めるための、UDA 用のシンプルかつ強力な対比学習フレームワークを提案します。
私たちの方法は脳血管データセットで検証されています。
実験結果は、私たちのアプローチがラベル付き3DRAモダリティデータから潜在的な特徴を学習し、ラベルなしMRAモダリティデータの血管セグメンテーションパフォーマンスを向上できることを示しています。

要約(オリジナル)

Unsupervised domain adaptation (UDA) aims to align the labelled source distribution with the unlabelled target distribution to obtain domain-invariant predictive models. Since cross-modality medical data exhibit significant intra and inter-domain shifts and most are unlabelled, UDA is more important while challenging in medical image analysis. This paper proposes a simple yet potent contrastive learning framework for UDA to narrow the inter-domain gap between labelled source and unlabelled target distribution. Our method is validated on cerebral vessel datasets. Experimental results show that our approach can learn latent features from labelled 3DRA modality data and improve vessel segmentation performance in unlabelled MRA modality data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google