[论文解读] Unsupervised Domain Adaptation for Anatomical Landmark Detection

Haibo Jin, Haoxuan Che+1 more|arXiv (Cornell University)|Aug 25, 2023

Medical Imaging and AnalysisEngineering被引用 3

一句话总结

该论文提出了一种用于解剖标志点检测的新型无监督域自适应（UDA）框架，结合了标志点感知自训练与域对抗学习，以减轻域偏移。通过使用动态阈值进行可靠的伪标签选择，并通过对抗训练学习域不变特征，该方法将头影测量数据的平均径向误差（MRE）从3.32毫米降低至1.75毫米，2毫米成功检测率（SDR）从50.05%提升至69.15%，优于当前最先进的UDA方法。

ABSTRACT

Recently, anatomical landmark detection has achieved great progresses on single-domain data, which usually assumes training and test sets are from the same domain. However, such an assumption is not always true in practice, which can cause significant performance drop due to domain shift. To tackle this problem, we propose a novel framework for anatomical landmark detection under the setting of unsupervised domain adaptation (UDA), which aims to transfer the knowledge from labeled source domain to unlabeled target domain. The framework leverages self-training and domain adversarial learning to address the domain gap during adaptation. Specifically, a self-training strategy is proposed to select reliable landmark-level pseudo-labels of target domain data with dynamic thresholds, which makes the adaptation more effective. Furthermore, a domain adversarial learning module is designed to handle the unaligned data distributions of two domains by learning domain-invariant features via adversarial training. Our experiments on cephalometric and lung landmark detection show the effectiveness of the method, which reduces the domain gap by a large margin and outperforms other UDA methods consistently. The code is available at https://github.com/jhb86253817/UDA_Med_Landmark.

研究动机与目标

• 为解决源域与目标医学影像域之间存在域偏移所导致的解剖标志点检测性能下降问题。
• 探究在无目标域标注数据的情况下，无监督域自适应（UDA）在医学标志点检测中的可行性和有效性。
• 开发一个统一框架，有效利用无标签目标域数据，同时通过置信度感知的伪标签生成与域不变表示学习来缓解分布偏移。
• 通过结合动态伪标签选择与对抗域对齐，超越现有UDA方法在跨域标志点检测中的表现。

提出的方法

• 设计了一个双头标志点检测模型，用于预测坐标与热力图，从而实现置信度分数估计，以支持可靠的伪标签生成。
• 引入标志点感知自训练（LAST），采用动态阈值在标志点层级选择高置信度伪标签，减少确认偏见。
• 采用域对抗学习（DAL）模块，通过对抗训练对齐源域与目标域之间的特征分布，最小化协变量偏移。
• 框架联合优化基础检测器、LAST伪标签生成与DAL损失，使用Adam优化器，学习率在720个周期内进行衰减。
• 应用数据增强技术，包括随机缩放、平移、旋转、遮挡与模糊处理，以提升模型鲁棒性与泛化能力。
• 通过检测损失、自训练损失与域对抗损失的组合进行端到端训练，超参数λD = 0.01。

实验结果

研究问题

• RQ1 无监督域自适应能否有效缓解因域偏移导致的解剖标志点检测性能下降？
• RQ2 与图像级或固定阈值方法相比，基于动态阈值的标志点级伪标签生成在多大程度上提升了适应性能？
• RQ3 域对抗学习在多大程度上能够减少医学影像中源域与目标域数据分布之间的差异？
• RQ4 所提出的框架是否在解剖标志点检测基准上始终优于现有的SOTA UDA方法？

主要发现

• 所提方法将头影测量数据的平均径向误差（MRE）从源域仅训练的3.32毫米降低至1.75毫米，域差距减少47%。
• 2毫米内成功检测率从源域仅训练的50.05%提升至69.15%，采用所提UDA框架后。
• 消融实验表明，LAST与DAL模块均具有显著贡献，联合方法表现最佳（MRE: 1.75毫米，2毫米SDR: 69.15%）。
• 该方法在所有评估指标上均持续优于FDA、UMT、SAC与AT等现有SOTA UDA基线模型。
• 定性结果表明，与基线模型相比，该模型的预测更加准确，尤其在具有挑战性的标志点上表现更优（见图4中黄色矩形区域）。
• 若将所提检测头替换为标准热力图回归头，性能将下降，证实了框架中置信度感知输出的重要性。