CiSeg:通过因果干预进行3D医疗图像细分的无监督交叉模式适应

科学领域:

• 医学图像分析 医学图像分析
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 无监督域调整 (UDA) 将知识从标记的源域转移到未标记的目标域,这对于标记数据稀缺的医学成像至关重要.
• 目前的UDA方法由于依赖虚假相关性而难以泛化,限制了不同成像方式 (例如,CT到MRI) 的性能.

研究的目的:

• 开发一个新的框架,即因果干预细分网络 (CiSeg),将因果推理集成到UDA中,以改善跨领域的概括性.
• 使用结构因果模型 (SCM) 和反事实解 (CD) 模块,将因果变量与偏差变量分离.

主要方法:

• 为源域构建一个SCM,以识别和分离因果和偏差变量.
• 实现一个CD模块,将潜伏特征分解为独立的因果和偏差组件,减轻虚假的相关性.
• 使用原型引导对比学习 (PCL) 进行像素级对齐和因果偏差剩余对齐 (CBRA) 实现跨域的特征级不变性.

主要成果:

• 与最先进的方法相比,CiSeg在心脏,腹部多器官和BraTS18数据集上表现出优异的细分性能.
• 拟议的框架实现了强大的跨领域概括,有效地解决了领域转移问题.
• 实验证实了因果推理在减轻UDA中虚假相关性影响方面的有效性.

结论:

• 通过结合因果推理,CiSeg为医疗图像细分中的UDA提供了一种新的方法.
• 该框架成功地解开了因果和偏见因素,从而提高了跨领域的概括和细分精度.
• PCL和CBRA的整合进一步提高了跨领域的一致性和稳定性.