视觉提示源自由域适应（VP-SFDA）：跨模态医学图像分割的革新方法

本文提出视觉提示源自由域适应（VP-SFDA）框架，通过两阶段设计（提示对齐与去噪优化）解决医学图像跨模态适配难题。创新性结合输入特异性视觉提示和批量归一化约束（BNC），在腹部MRI→CT等4项任务中显著提升DICE分数（最高达0.773，P<0.01），为隐私保护的医疗AI部署提供新范式。

　　引言与背景
医学影像分析中，深度卷积神经网络（DCNN）面临跨模态数据分布差异的挑战。传统无监督域适应（UDA）需同时访问源域和目标域数据，而源自由域适应（SFUDA）在保护患者隐私（不共享源数据）的前提下，实现模型跨设备/模态迁移。现有方法依赖伪标签去噪，但大域间隙会导致噪声累积，而生成对抗网络（GAN）方案存在训练不稳定性。

方法创新
VP-SFDA提出两阶段框架：

1. 提示阶段：设计双分支对齐模型（AM），通过5个提示块生成输入特异性视觉提示。采用调制-解调卷积（公式4）将目标域图像与源域统计量（μ_l/σ_l）对齐，损失函数（公式2）最小化批量归一化层特征差异。
2. 适应阶段：融合提示图像后，采用三类去噪方法（LD/DPL/OS）优化伪标签，通过类别特定阈值（公式7-9）筛选可靠样本，最终微调分割模型（公式10）。

实验结果
在腹部（MRI?CT）和心脏（MRI?CT）4项任务中：

• 腹部MRI→CT任务VP-OS达DICE 0.773（提升17.5%），ASD降至2.961（P<0.01）
• 心脏CT→MRI任务VP-DPL表现最优（DICE 0.643）
• 伪标签噪声分析显示提示图像MSE降低31%（0.209→0.144）
• 输入特异性提示较传统方法平均DICE提升9.7%（表4）

技术优势

1. 参数高效：AM仅3.5M参数，总参数量43.1M（表6）
2. 架构创新：5提示块设计最优（表5），通过特征调制实现像素级适配
3. 兼容性强：可集成多种去噪方法，VP-LD在心脏任务DICE达0.836

讨论与展望
研究证实：1）视觉提示与去噪协同作用优于单一策略；2）输入特异性模式对3D医学图像适配至关重要。未来可探索提示机制在多中心协作学习中的应用，以及结合频率域适配的混合方法。该框架为医疗AI在隐私敏感场景的落地提供可靠技术路径。