C2-MUDA：基于频率引导的无监督领域适应方法，结合原型感知的对比学习技术，用于跨模态和跨疾病的脑损伤分割

《Knowledge-Based Systems》：C2-MUDA: Frequency-guided unsupervised domain adaptation with prototype-aware contrastive learning for cross-modality and cross-disease brain lesion segmentation

针对跨模态和跨疾病脑 lesion 分割中存在的域偏移问题，提出频率引导的 UDA 框架 C2-MUDA。通过双向频域混合增强模块减少模态差异，利用原型感知对比学习实现跨疾病语义对齐，实验在三个任务中较基线平均提升 Dice15.53%-26.93%。

　　在医学影像领域，深度学习模型在辅助诊断和治疗方面已经取得了显著的进展。然而，这些模型在实际临床应用中仍面临诸多挑战，其中最大的障碍之一是依赖于大规模的语义标注数据以及对未见过的具有异构特征数据的敏感性。这使得模型在面对新的数据分布时，其性能往往无法达到预期。为了克服这些问题，研究者们提出了无监督域适应（Unsupervised Domain Adaptation, UDA）技术，该技术通过利用带标签的源域数据，对未带标签的目标域样本进行语义分割，从而实现域对齐。UDA技术被广泛应用于解决标注稀缺和分布偏移的问题。

尽管UDA技术在医学影像分割任务中取得了一定成效，但当前许多方法仍然局限于图像级别的约束对齐，通过图像到图像的转换（Image-to-Image Translation, I2I）来减少域间差异。然而，这种方法往往忽略了源域和目标域中类别内部和类别之间的特征关联性，从而导致模型在处理复杂病变时效果有限。此外，现有方法在处理由模态差异和疾病差异共同引起的域偏移问题时，仍然存在较大不足。为了解决这些问题，我们提出了一种基于频率引导的UDA框架，结合原型感知的对比学习（C2-MUDA），用于跨模态和跨疾病的脑部病变分割任务。

本研究的核心动机是探索UDA技术在跨模态和跨病变脑影像分割中的潜力，尤其是在不需要生成训练的情况下。我们提出的框架主要由两个关键模块组成：第一个是频率引导的双向双模态增强（Dual Bilateral Mix-Modality Augmentation, DBMA）模块，该模块通过在频率域中动态混合源域和目标域的幅度成分，生成互补的域图像，从而减少图像级别的域偏移；第二个是跨域类别语义对比学习（Cross-Domain Category Semantic Contrastive Learning, CSCL）模块，该模块通过全局类别原型的对比学习，将源域中的类别紧凑性和类别独立性嵌入信息迁移到目标域样本中，从而指导目标域伪标签的生成与优化。

在实际应用中，跨模态和跨疾病的脑部病变分割任务具有重要的临床意义。例如，在快速传播的疫情如新冠疫情期间，获取高质量的大规模研究图像往往受到时间和资源的限制，使得模型难以在短时间内适应新的数据分布。此外，对于罕见疾病的研究，由于患者群体数量较少，获取足够的训练数据变得尤为困难。在这种情况下，利用相似病变的影像信息进行知识迁移成为一种有效的解决方案。例如，胶质瘤作为最常见的颅内恶性肿瘤，拥有大量高质量的标注数据和高效的分割方法，而脑膜瘤和脑内出血等疾病则相对少见，但它们在形态学上具有相似的特征，因此在一定程度上可以实现跨疾病的知识迁移。

本研究中的实验任务涵盖了三个主要的UDA分割场景：首先，跨模态的胶质瘤分割，即从磁共振成像（MRI）到其他模态的转换；其次，从MRI胶质瘤到MRI脑膜瘤的跨模态和跨疾病分割；最后，从MRI胶质瘤到CT脑内出血的跨模态和跨疾病分割。在这些任务中，源域数据主要来自胶质瘤的多模态影像，而目标域数据则包括脑膜瘤和脑内出血的影像。通过引入频率引导的双向增强和类别感知的对比学习策略，我们的方法在这些任务中均取得了显著的性能提升。例如，在跨模态胶质瘤分割任务中，我们的方法在Dice指标上平均提升了15.53%；在MRI胶质瘤到MRI脑膜瘤的分割任务中，平均提升了13.96%；而在MRI胶质瘤到CT脑内出血的分割任务中，平均提升了26.93%。这些结果表明，我们的方法在跨模态和跨疾病适应性方面具有较强的潜力。

在方法实现上，我们首先在源域数据的潜在空间中提取类别级别的特征原型，学习类别间和类别内的高频特征分布，并通过基于直方图的粗略匹配机制，选择具有高跨域相关性的源-目标对，以获取最大化图像级别的域相关先验信息。接着，我们利用双向双模态增强策略，通过在频率域中动态混合源域和目标域的幅度成分，生成互补的域图像，从而减少图像级别的风格差异。最后，我们构建了一个基于风格对比学习的跨监督辅助-教师模型（CMCD-Net），用于生成目标图像的预测伪标签，并结合自训练策略对分割预测进行优化。

本研究的主要贡献包括三个方面：首先，我们提出了一种基于频率域的双向跨域收敛策略，结合双内容一致性约束，有效缓解了跨模态域差距问题；其次，我们采用基于类别级别的原型对比学习和伪标签关联优化的自训练策略，以充分利用跨域语义相似性，从而减少跨疾病域差距；最后，我们引入了一种简单但有效的匹配机制，基于直方图分布进行粗略相似性评估和匹配操作，相比完全随机的无配对策略，显著提升了模型性能。

为了验证我们方法的有效性，我们在三个主要的域适应任务上进行了广泛的实验评估。实验结果表明，我们的方法在多个任务中均优于现有的基线方法。此外，我们还进行了大量的消融实验，以验证每个组件对模型性能的具体贡献。这些实验结果不仅展示了我们方法在跨模态和跨疾病分割任务中的优越性，也为未来的研究提供了有价值的参考。

在实际应用中，我们的方法具有重要的临床价值。通过减少对专家标注的依赖，提高模型在面对新数据分布时的泛化能力，我们的方法为医学影像分割任务提供了一种更为灵活和高效的解决方案。尤其是在面对数据稀缺和分布偏移的挑战时，这种方法能够有效提升模型的适应性和鲁棒性。此外，我们的方法还可以应用于其他类似的医学影像分割任务，如跨模态的心脏病分割、肺部病变分割等，具有广泛的应用前景。

总体而言，我们的研究不仅在理论上为跨模态和跨疾病域适应提供了新的思路，还在实践中验证了其有效性。通过结合频率引导的双向增强和类别感知的对比学习策略，我们的方法在多个任务中均取得了显著的性能提升。这些成果表明，UDA技术在医学影像分割领域具有巨大的潜力，尤其是在处理复杂病变和跨模态数据时。未来，我们计划进一步优化模型的性能，并探索其在更多医学影像任务中的应用。