[论文解读] Privacy Preserving Domain Adaptation for Semantic Segmentation of Medical Images.

Serban Stan, Mohammad Rostami|arXiv (Cornell University)|Jan 2, 2021

Domain Adaptation and Few-Shot Learning参考文献 73被引用 14

一句话总结

该论文提出了一种用于医学图像语义分割的隐私保护无监督域自适应方法，该方法在无法访问源域数据的情况下仍能运行。通过从源域特征中学习一种原型分布，并将其与目标域对齐，该方法在两个医学影像数据集上实现了最先进性能，且严格遵守了隐私约束。

ABSTRACT

Convolutional neural networks (CNNs) have led to significant improvements in tasks involving semantic segmentation of images. CNNs are vulnerable in the area of biomedical image segmentation because of distributional gap between two source and target domains with different data modalities which leads to domain shift. Domain shift makes data annotations in new modalities necessary because models must be retrained from scratch. Unsupervised domain adaptation (UDA) is proposed to adapt a model to new modalities using solely unlabeled target domain data. Common UDA algorithms require access to data points in the source domain which may not be feasible in medical imaging due to privacy concerns. In this work, we develop an algorithm for UDA in a privacy-constrained setting, where the source domain data is inaccessible. Our idea is based on encoding the information from the source samples into a prototypical distribution that is used as an intermediate distribution for aligning the target domain distribution with the source domain distribution. We demonstrate the effectiveness of our algorithm by comparing it to state-of-the-art medical image semantic segmentation approaches on two medical image semantic segmentation datasets.

研究动机与目标

• 解决由于隐私限制而无法访问源域数据时，医学图像语义分割中的域偏移问题。
• 开发一种无需访问源域样本的无监督域自适应框架。
• 仅使用未标注的目标域数据和学习到的源域原型，实现预训练模型向新目标域的有效迁移。
• 在生物医学影像应用中，在保护患者数据隐私的同时保持高分割精度。

提出的方法

• 该方法从源域特征中学习一种原型分布，以表示源数据的统计特性，而无需存储单个样本。
• 该原型分布被用作参考，以在训练过程中对齐未标注目标域的特征分布。
• 在目标域特征与源原型之间应用域对齐损失，以最小化域偏移。
• 通过分割头和对抗性对齐，端到端训练模型，其中原型作为源域的隐私保护代理。
• 通过将源信息编码为单一紧凑的分布表示，避免了对源数据的直接访问。

实验结果

研究问题

• RQ1 由于隐私限制无法访问源域数据，是否仍能有效实现医学图像分割中的域自适应？
• RQ2 如何学习并利用一个代表性源域分布，以对齐目标域特征，同时不暴露单个源样本？
• RQ3 与现有无监督域自适应方法相比，该隐私保护域自适应方法在医学图像分割中的性能如何？
• RQ4 原型分布能否作为域对齐中源域统计特性的可靠代理？

主要发现

• 尽管无法访问源域数据，该方法在两个医学图像语义分割基准上仍实现了最先进性能。
• 通过将目标域特征与学习到的源原型分布对齐，模型显著减少了域偏移。
• 即使源数据完全不可访问，该方法在目标域上仍保持了高分割精度。
• 使用原型分布可在保护患者隐私的同时实现有效的域自适应。