| 甲状腺超声影像的元优化多级对抗域适应网络 |
| |
| 引用本文： | 应翔,刘振,朱佳琳,姜汉,张瑞璇,高洁. 甲状腺超声影像的元优化多级对抗域适应网络[J]. 中国图象图形学报, 2023, 28(1): 234-247 |
| |
| 作者姓名： | 应翔 刘振 朱佳琳 姜汉 张瑞璇 高洁 |
| |
| 作者单位： | 天津大学智能与计算学部, 天津 300350;天津市认知计算与应用重点实验室, 天津 300350;天津市先进网络技术与应用重点实验室, 天津 300350;天津医科大学肿瘤医院, 天津 300060;贝式计算(天津)信息技术有限公司, 天津 300456 |
| |
| 基金项目： | 国家自然科学基金项目(61976155)；天津市企业科技特派员项目(21YDTPJC00090) |
| |
| 摘 要： | 目的 计算机辅助诊断是临床诊断中一种重要的辅助手段。然而在多机型超声影像的应用现状中，单一深度卷积神经网络面临难以从不同数据源中提取样本特征的问题，导致模型在区分多源数据方面性能欠佳。为提升单一深度模型在多源数据的泛化能力，本文提出一种无监督域自适应网络。方法 将深度对抗域适应方法应用于多源甲状腺超声影像分类任务，通过生成对抗思想提取源域图像与目标域图像的域不变特征，提出一种多级对抗域自适应网络(multi-level adversarial domain adaptation network, MADAN)。将元优化(meta-optimized)策略引入对抗域适应的学习中，将域对齐目标和样本分类目标以协调的方式联合优化，提升了模型对无标记目标域数据的分类性能。结果 在包含4种域的甲状腺超声影像数据集上实验，与7种经典域自适应方法比较。实验结果表明，MADAN在全部迁移任务中取得90.141%的目标域样本平均分类准确率，优于残差分类网络和多种经典域自适应分类网络。融合元优化训练策略后的MADAN在目标域的测试平均准确率提升约1.67%。结论 本文提出的元优化多级对抗域适应网络一方面通...
|
| 关 键 词： | 计算机辅助诊断(CAD) 多机型甲状腺超声影像 域自适应 元优化 生成对抗网络(GAN) |
| 收稿时间： | 2022-05-16 |
| 修稿时间： | 2022-07-05 |
Meta-optimized multi-adversarial domain adaptation for thyroid ultrasound image |
| |
| Ying Xiang,Liu Zhen,Zhu Jialin,Jiang Han,Zhang Ruixuan,Gao Jie. Meta-optimized multi-adversarial domain adaptation for thyroid ultrasound image[J]. Journal of Image and Graphics, 2023, 28(1): 234-247 |
| |
| Authors: | Ying Xiang Liu Zhen Zhu Jialin Jiang Han Zhang Ruixuan Gao Jie |
| |
| Affiliation: | College of Intelligence and Computing, Tianjin University, Tianjin 300350, China;Tianjin Key Laboratory of Cognitive Computing and Application, Tianjin 300350, China;Tianjin Key Laboratory of Advanced Networking, Tianjin 300350, China;Medical University Cancer Institute and Hospital, Tianjin 300060, China;OpenBayes (Tianjin) IT Co., Ltd., Tianjin 300456, China |
| |
| Abstract: | |
| |
| Keywords: | computer-aided diagnosis(CAD) multi-model thyroid ultrasound image domain adaptation meta-optimization generative adversarial network(GAN) |
|
| 点击此处可从《中国图象图形学报》浏览原始摘要信息 |
|
点击此处可从《中国图象图形学报》下载免费的PDF全文 |
|
