3D医療画像セグメンテーションのためのデュアル構造指向のガイダンスによる監視されていないクロスモダリティ適応

深い畳み込みニューラルネットワーク（CNNS）は、医療画像のセグメンテーションで印象的なパフォーマンスを達成しています。ただし、不均一な特性を備えた目に見えないデータに展開されると、パフォーマンスが大幅に低下する可能性があります。監視されていないドメイン適応（UDA）は、この問題に取り組むための有望なソリューションです。この作業では、デュアルアダプテーションガイドネットワーク（DAG-NET）という名前の新しいUDAメソッドを提示します。これには、ラベル付きのソースドメインから無効なソースドメインからセグメンテーションモデルを協力的に適応させるために、2つの非常に効果的で補完的な構造指向のガイダンスが組み込まれています。ターゲットドメイン。具体的には、DAG-NETは2つのコアモジュールで構成されています。1）フーリエベースのコントラストスタイルの増強（FCSA）は、セグメンテーションネットワークを暗黙的にガイドして、モダリティに感受性と構造関連の特徴を学習することに焦点を当て、2）残留空間アライメント（RSA）これは、スライス間相関の3D前の事前に基づいて、ターゲットモダリティの予測の幾何学的連続性を高めるための明示的なガイダンスを提供します。MRI画像とCT画像間の双方向横断順応の適応のための心臓の下部構造と腹部マルチオルガンセグメンテーションでの方法を広範囲に評価しました。2つの異なるタスクでの実験結果は、私たちのDAG-netが、ラベルのないターゲット画像の3D医療画像セグメンテーションのための最先端のUDAアプローチを大きく上回ることを示しています。

Deep convolutional neural networks (CNNs) have achieved impressive performance in medical image segmentation; however, their performance could degrade significantly when being deployed to unseen data with heterogeneous characteristics. Unsupervised domain adaptation (UDA) is a promising solution to tackle this problem. In this work, we present a novel UDA method, named dual adaptation-guiding network (DAG-Net), which incorporates two highly effective and complementary structural-oriented guidance in training to collaboratively adapt a segmentation model from a labelled source domain to an unlabeled target domain. Specifically, our DAG-Net consists of two core modules: 1) Fourier-based contrastive style augmentation (FCSA) which implicitly guides the segmentation network to focus on learning modality-insensitive and structural-relevant features, and 2) residual space alignment (RSA) which provides explicit guidance to enhance the geometric continuity of the prediction in the target modality based on a 3D prior of inter-slice correlation. We have extensively evaluated our method with cardiac substructure and abdominal multi-organ segmentation for bidirectional cross-modality adaptation between MRI and CT images. Experimental results on two different tasks demonstrate that our DAG-Net greatly outperforms the state-of-the-art UDA approaches for 3D medical image segmentation on unlabeled target images.