GraphEcho: 基于图的无监督心房超声分割领域适应
原文中文，约200字，阅读约需1分钟。发表于：。该研究针对超声心动图视频分割，通过无监督领域自适应方法建立了 CardiacUDA 数据集，并引入了一种名为 GraphEcho 的新方法，利用心动周期一致性以及超声心动图视频的先验知识，通过空间交叉域图匹配和时间周期一致性模块，实现了对心脏结构的更好分割，实验证明 GraphEcho 优于现有的 UDA 分割方法。
该文提出了一种新的深度无监督领域自适应方法，用于多域医学图像分割。该方法结合了特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，该方法在仅使用一个未标记的 3D CT 扫描的情况下，胜过现有的技术。最后，对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。
