A3-DualUD:通过解剖对齐和双路径不确定性表示交叉模式医疗图像分割的无源无监管域适应
Jie Zhou1, Yulong Shi1, Lin Qi2
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang 110000, China.
Computer methods and programs in biomedicine
|August 21, 2025
概括
本研究引入了一种新的无源无监管域适应 (SFUDA) 方法,用于医疗图像细分. 这种方法有效地解决了域差异,而不需要源数据,提高了跨模式细分的准确性.
科学领域:
- 医学成像
- 计算机视觉
- 人工智能
背景情况:
- 自动化医疗图像细分对于诊断和治疗计划至关重要.
- 跨模式领域的差异对细分算法构成挑战.
- 无监督域调整 (UDA) 是用于跨模式细分的,但传统方法需要获得源数据.
研究的目的:
- 开发一种新的无源无监管域调整 (SFUDA) 框架,用于跨模式的医疗图像细分.
- 将知识从预先训练的源模型转移到未标记的目标域,而无需访问源数据.
- 克服与医疗人工智能源数据访问相关的隐私和存储限制.
主要方法:
- 提出了一个包含解剖对齐 (A3) 的SFUDA框架.
- A3 提取源域的解剖,并通过双向约束将它们与目标域的特征对齐.
- 引入双路径不确定性否定 (DualUD) 以在域调整期间进行可靠的监督.
主要成果:
- 在跨模态多器官细分任务上表现出最先进的性能.
- 在腹部和心脏数据集上进行实验.
- 建议的方法有效地减少了特征级分布差异.
结论:
- 解剖对齐和双路径不确定性有效解决域差异和隐私问题.
- 该框架为医疗成像中的SFUDA提供了强大的解决方案.
- 源代码是公开的可复制性和进一步研究.
