MICCAI2019 多模分割相关论文笔记
Data Efficient Unsupervised Domain Adaptation For Cross-modality Image Segmentation
深度无监督域自适应（UDA）旨在仅使用未标记的目标域数据和标记的源域数据来改善目标域上的深度神经网络模型的性能。作者为多域医学图像分割引入了一种新的数据有效的 UDA 方法。所提出的方法结合了新颖的基于 VAE 的特征优先匹配和域对抗训练，以学习在分割过程中利用的共享域不变潜在空间。通过从标记的源域（3D MRI）适应未标记的目标域（3D CT），方法在公共多模态心脏图像分割数据集上进行了评估。
介绍
给定两个不同的输入域，分别具有数据 X 和分布 P（X），DS = {XS，P（XS）}，DT = {XT，P（XT）} 和共享标签空间 Y = {Y}，则预测模型f（·） 当数据 inDT 的分布不同时（例如，如上所述的图像外观差异），在源域 DS 上训练的近似 P（Y | X）在目标域 DT 上可能表现不佳。
在这种情况下，要将源模型转移到目标域，目标数据和相应的标签 {（xT，yT）} 对于基于监督细调的转移学习是必要的。 但是，在许多情况下，例如医学成像应用程序，手动标记目标图像通常过于昂贵或不切实际。 这激发了非监督域自适应（UDA），该方法旨在寻求学习一种模型，该模型仅使用未标记的目标域数据 {xT} 来在目标域中执行良好的操作，此外还可以使用源域中可用的任何标记数据。
UDA 通常假定一个潜在的领域不变特征空间Z，该特征空间 Z 可以从 DS 和 DT 投影而来，并且可以用于特定任务。随着最近生成对抗网络（GAN）的显著发展，可以通过域对抗训练估计源域和目标域之间的距离并最小化，其中判别器区分其输入域，而生成器生成域不变的表示来迷惑判别器。
方法
所提出的方法从两个域 DS、DT 中学习共享特征空间 Z = {Z}，并从 DS 或 DT 的输入图像 X 中学习映射 h（·），使得 Z = h（X）。 它还从 Z 到标签空间 Y 中学习了一个分割器Seg。总体架构包括一个含两个域各自的编码器和解码器的 VAE，以及一个在 VAE 的潜在空间 Z 上运行的域不变分割器 Seg。
实验结果
总结
这篇文章的主要思路是使用 GAN 来建立起不同域之间的关系，提取多模图像中共享空间部分。
