Tıbbi Görüntü Segmentasyonu için Çoklu Kaynak Alanı Uyarlaması

Soyut:

Gözetimsiz alan uyarlaması (UDA), hedef alandan kaynaklara alan kayması nedeniyle hedef alanda test edilen modellerin performans düşüşünü hafifletmeyi amaçlar. Çoğu UDA segmentasyon yöntemi yalnızca tek kaynaklı alan senaryosuna odaklanır. Ancak, pratik durumlarda altın standartlı veriler birden fazla kaynaktan (alan) elde edilebilir ve çok kaynaklı eğitim verileri bilgi aktarımı için daha fazla bilgi sağlayabilir. Daha iyi alan uyarlaması elde etmek için bunların nasıl kullanılacağı henüz daha fazla araştırılmayı beklemektedir. Bu çalışma çok kaynaklı UDA'yı araştırır ve tıbbi görüntü segmentasyonu için yeni bir çerçeve önerir. İlk olarak, segmentasyon performansını iyileştirmek için kaynak alanlarının her biri ve hedef arasında farklı seviyelerde özellikleri uyarlamak için çok seviyeli bir düşmanca öğrenme şeması kullanırız. Ardından, öğrenilen çok kaynaklı bilgiyi hedef alana aynı anda aktarmak için çok modelli bir tutarlılık kaybı öneriyoruz. Son olarak, önerilen çerçeveyi iki uygulama üzerinde, yani çok-modal kardiyak segmentasyon ve çapraz-modal karaciğer segmentasyonu üzerinde doğruladık. Sonuçlar, yöntemimizin ümit verici bir performans sağladığını ve son teknoloji yaklaşımlarla olumlu bir şekilde karşılaştırıldığını gösterdi.

‍

Makalenin Tamamını Okuyun