基于确定性增强双教师融合的免源域适应眼底图像分割方法研究

《Engineering Applications of Artificial Intelligence》：Certainty-enhanced dual-teacher fusion for source-free domain adaptation in fundus image segmentation

本研究针对眼底图像分割中存在的域偏移问题，提出了一种基于确定性增强双教师融合（CEDTF）的免源域适应（SFDA）方法。该方法通过构建动态与静态双教师网络，并结合不确定性加权融合（UWF）机制，有效解决了传统均值教师（MT）框架中伪标签质量不稳定和误差累积的难题。实验结果表明，CEDTF在视盘（OD）和视杯（OC）分割任务中显著提升了模型的适应性能和分割精度，为青光眼辅助诊断提供了可靠技术支撑。

　　

青光眼作为全球不可逆性失明的主要病因，其早期诊断依赖于对视盘（Optic Disc， OD）和视杯（Optic Cup， OC）的精确分割。杯盘比（Cup-to-Disc Ratio， CDR）是临床评估青光眼风险的关键指标，但手动分割OD和OC耗时费力。尽管深度学习技术在医学图像分割中取得显著进展，但模型在不同设备、不同医疗机构采集的眼底图像（即不同域）之间往往存在泛化能力不足的问题，这种域偏移（Domain Shift）现象严重制约了临床部署。传统无监督域适应（Unsupervised Domain Adaptation， UDA）方法虽能缓解此问题，但需要同时访问带标签的源域数据和无标签的目标域数据，这在医疗场景中可能涉及患者隐私问题。免源域适应（Source-Free Domain Adaptation， SFDA）作为一种新兴范式，允许模型在仅使用目标域无标签数据的情况下进行适应，而无需访问源域数据，因而更具临床应用潜力。

然而，现有SFDA方法多基于均值教师（Mean Teacher， MT）框架，该框架通过指数移动平均（Exponential Moving Average， EMA）更新教师网络参数，以生成伪标签指导学生网络训练。但MT框架容易产生伪标签质量不稳定和误差累积问题，尤其在域差异较大时，可能导致模型性能下降。为了突破这一瓶颈，福建农林大学的研究团队在《Engineering Applications of Artificial Intelligence》上发表论文，提出了确定性增强双教师融合（Certainty-Enhanced Dual-Teacher Fusion， CEDTF）模型，为SFDA在眼底图像分割中的应用提供了创新解决方案。

本研究采用的关键技术方法主要包括：1）构建双教师网络架构，包含一个通过EMA持续更新的动态教师（Dynamic Teacher）和一个定期与动态教师同步权重的静态教师（Static Teacher），以整合长期知识；2）提出不确定性加权融合（Uncertainty-Weighted Fusion， UWF）模块，基于Dirichlet分布量化预测不确定性，自适应融合双教师的伪标签；3）在REFUGE（源域）、ORIGA、Drishti-GS、RIM-ONE-r3（目标域）等公开眼底图像数据集上进行了系统验证。

Uncertainty quantification

研究首先阐述了不确定性量化在深度学习决策中的重要性。尽管深度学习算法在医学图像处理中已达到高精度，但其决策过程缺乏可解释性。不确定性量化通过提供可测量的置信度，成为增强模型预测透明度和可信度的关键工具。常见方法包括贝叶斯理论、集成技术等，本研究在此基础上引入基于Dirichlet分布的不确定性估计，为后续的UWF模块提供理论支撑。

Problem formulation

研究明确了SFDA背景下OD和OC分割的问题形式化。传统方法依赖单一教师网络生成伪标签，其无监督损失函数为L_unsup = L(F_θs(Dⁱ_t), ?ⁱ)，其中?ⁱ = F_θt(Dⁱ_t)。这种单教师模式无法对预测进行交叉验证，易导致系统误差累积。CEDTF通过双教师架构和UWF机制，旨在提升伪标签的鲁棒性。

Data preparation

实验数据来源于多个公开眼底图像数据集。以REFUGE挑战赛训练集作为源域，ORIGA、Drishti-GS和RIM-ONE-r3作为目标域进行适配。这些数据集涵盖不同临床中心采集的图像，具有显著的域间差异，为验证模型泛化能力提供了理想平台。

Discussion

分析表明，CEDTF模型通过双教师结构有效缓解了SFDA中的训练不稳定问题。静态教师作为长期知识库，能够在校正动态教师瞬时波动的同时保持历史信息的连续性。UWF模块通过像素级不确定性加权，显著提升了伪标签质量。消融实验进一步验证了各组件的贡献：双教师架构是提升性能的核心，而UWF机制则放大了其优势。与选择性更新均值教师（SUMT）和不对称协同训练（ACT）等先进方法相比，CEDTF在误差控制和域适应稳定性方面展现出明显优势。

Conclusion

研究表明，CEDTF模型通过创新性地整合静态与动态双教师网络，并引入不确定性加权的伪标签融合策略，成功解决了SFDA中伪标签质量退化与误差累积的难题。在多个眼底图像数据集上的实验证明，该模型显著提升了OD和OC的分割精度，为青光眼辅助诊断提供了更可靠、更稳定的自动化分析工具。未来工作可探索该框架在其他医学图像分割任务中的推广潜力。

CRediT authorship contribution statement

作者贡献声明显示：兰艳雪（Lanyan Xue）负责论文审阅与项目管理；李开斌（Kaibin Li）负责初稿撰写、项目管理、方法论构建与研究设计；范大伟（Dawei Fan）参与方法论与形式化分析；余家明（Jiaming Yu）和温佳梅（Jiamei Wen）参与论文审阅；陈运生（Yunsheng Chen）负责验证工作。

Declaration of competing interest

作者声明无已知竞争性利益。

Acknowledgments

研究获得福建省自然科学基金项目（2022J01608）支持。