Medical Cross-Modality Domain Adaptation (Med-CMDA)阅读笔记

介绍

该论文解决的问题：

• 首先提出MR-->CT的domain adaptation解决方法
• 提出一个即插即用(plug-and-play)的网络结构，便于实验探究

论文主要内容

网络结构

从图中可以看出来:

• 蓝色部分(Seg-Net)：是一个简单的医学分割网络，使用6个残差块和1个空洞残差块组成。整个网络使用30个卷积层和1个x8的上采样层组成。
• 绿色部分(DCM)：是一个判别器，用于无监督迁移学习的训练
• 橘色部分(DAM)：蓝色对应部分截取出来的一部分，用于训练后对source domain和target domain的特征进行提取。
• 注意：橘色部分是蓝色部分对应部分训练后直接复制得到的*

训练过程

在描述训练过程之前先把Seg-Net根据Domain Router分为前后两个部分，分别是M和H。这里的Domain Router只是一个分割线，不是网络
训练过程：

1. 先使用source data训练分割网络Seg-Net
2. 将训练好的Seg-Net分割为M和H两个部分
3. 固定H部分，将H多个层得到的特征图cat后送到判别器DCM中
4. 将source data和target data送到M+DCM连接组成的网络中，用来训练M
5. 用M+H得到的网络来分割target data

训练中使用的loss

训练Seg-Net用到的loss

Loss = CE loss + Dice loss，具体如下图：

论文中指出只用一种loss效果并不好

对抗训练M和DCM用到的loss

1. 计算source domain和target domain特征的距离时使用Wassertein distance：
   

2. 训练M用到的loss
   

3. 训练DCM用到的loss
   

实验结果