无监督的域调整用于医疗图像细分,使用适应因子-扰动
Hong Joo Lee1, Yuan Bi2, Sangmin Lee3
1School of Computation, Information and Technology, Technical University of Munich, Munich, Germany; Department of Applied Artificial Intelligence, Seoul National University of Science and Technology, Seoul, Republic of Korea.
Medical image analysis
|February 26, 2026
概括
这项研究引入了一种新的无监督多目标域适应方法,用于医学AI. 它使用适应原-乱 (AP) 信号来改善不同数据集的模型性能,而无需共享私人患者数据.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 医疗人工智能的领域转移阻碍了预先训练的模型应用,原因是设备和患者的变化.
- 现有的域调整方法通常需要单个目标调整或数据共享,这在医疗保健中引发了隐私问题.
- 无监督域调整对于调整模型以适应不同的临床环境而不会损害患者隐私至关重要.
研究的目的:
- 为医疗应用提出一种新的无监督的多目标域适应方法.
- 为了应对领域转移的挑战,而不需要共享敏感患者数据.
- 提高预训练模型在临床环境中的稳定性和通用性.
主要方法:
- 引入了适应原 - 扰乱 (AP) 信号,以弥合源域和目标域的差距.
- 将优化的AP注入到潜伏特征中,以促进模型适应.
- 开发了一个光谱/几何一致性学习框架,用于无监督AP优化.
主要成果:
- 拟议的方法有效地使预训练模型适应多个目标领域,而无需共享数据.
- 适应原 - 乱 (AP) 在医疗图像细分任务中表现出显著的改进.
- 频谱/几何一致性框架增强了对变化的模型稳定性.
结论:
- 这种新的无监督多目标域适应方法对医疗AI有效.
- 适应物 - 扰乱 (AP) 为医疗保健领域的域调整提供了一种保护隐私的解决方案.
- 这种方法促进了AI在各种临床环境中的应用.
