Loading...
机构名称:
¥ 1.0

摘要。胎儿脑图像的自动组织分割是对产前神经发育的定量分析。但是,产生胎儿脑成像的体素水平注释是耗时且昂贵的。为了降低标签成本,我们提出了一个适应性的无监督域适应性(UDA)设置,该设置适应了高质量胎儿脑图的分割标签,以从另一个领域的未标记的胎儿脑MRI数据。为了解决任务,我们基于外观和结构同意,为ASC提供了一个新的UDA框架。我们通过约束基于频率的图像转换之前和之后的一致性来使分割模型适应不同域的外观,即交换脑MRI数据和地图集之间的外观。认为,即使在同一结构域中,不同妊娠年龄的胎儿脑形象也可能在解剖结构上有很大的变化。使该模型适应目标域中的结构变化,我们在不同的结构扰动下进一步增强了预测一致性。FETA 2021基准的广泛实验证明了与基于注册的,基于半监督的学习和现有基于UDA的方法相比,我们的ASC的有效性。

arxiv:2310.14172v1 [eess.iv] 2023年10月22日

arxiv:2310.14172v1 [eess.iv] 2023年10月22日PDF文件第1页

arxiv:2310.14172v1 [eess.iv] 2023年10月22日PDF文件第2页

arxiv:2310.14172v1 [eess.iv] 2023年10月22日PDF文件第3页

arxiv:2310.14172v1 [eess.iv] 2023年10月22日PDF文件第4页

arxiv:2310.14172v1 [eess.iv] 2023年10月22日PDF文件第5页

相关文件推荐

2023 年
¥2.0
2023 年
¥1.0
2023 年
¥1.0
2024 年
¥1.0
2023 年
¥1.0
2023 年
¥1.0