Semantic Consistent UnsupervisedDomain Adaptation for Cross-https:ModalityMedical Image Segmentation

语义分割论文

MICCAI2021:Semantic Consistent Unsupervised Domain Adaptation for Cross-Modality Medical Image Segmentation

---

摘要

无监督域适应(UDA)交叉模态医学图像分割技术通过域不变特征学习或图像外观转换取得了很大进展。基于特征级自适应的方法在分类任务中学习到良好的领域不变特征，但通常不能检测像素级的领域偏移，在密集的语义分割任务中不能取得良好的结果。基于图像外观自适应的方法将图像转换成不同风格，具有良好的外观，但语义一致性难以保持，导致跨模态分割效果差。在本文中，我们提出了UDA的模态内和跨模态语义一致性(ICMSC)，我们的关键见解是，不同风格的合成图像的分割应该是一致的。具体来说，我们的模型包括一个图像平移模块和一个领域特定的分割模块。图像转换模块是一个标准的CycleGAN，而分割模块包含两个领域特定的分割网络。IMSC (intra-modality semantic consistency)算法要求经过一个循环后的重建图像按照与原始输入图像相同的方式进行分割，而CMSC (cross-modality semantic consistency)算法则要求经过一个循环后的合成图像按照与之前完全相同的方式进行分割。

网络结构