基于渐进式伪标签增强的源数据无关域自适应医学图像分割方法研究

针对医学图像分割中因设备差异导致的域偏移问题，研究人员提出两阶段渐进式伪标签增强方法（SFDA）。通过自适应特征增强聚类（AFEC）模块提升伪标签质量，结合临床先验对比损失（CPCL）和特征感知对比损失（FACL），在四个眼底数据集上实现平均Dice分数从74.11%提升至85.00%，为跨机构模型迁移提供高效解决方案。

　　

论文解读

在医疗AI领域，深度学习模型常因数据来源不同（如医院设备、人群差异）遭遇“域偏移”（Domain Shift）难题。例如，某三甲医院训练的眼底分割模型，在社区诊所的低分辨率图像上可能表现糟糕。传统无监督域适应（UDA）需共享源域数据，但医疗数据的隐私性使其难以落地。源数据无关域自适应（Source-Free Domain Adaptation, SFDA）成为新方向，但其生成的伪标签（Pseudo-labels）质量直接影响模型性能——这正是本文要攻克的核心问题。

来自江西的研究团队提出了一种两阶段渐进式伪标签增强框架。他们利用RIGA+、Drishti-GS等四个公共眼底数据集，针对视盘（OD）和视杯（OC）分割任务，设计了自适应特征增强聚类（AFEC）模块和双重对比损失函数。通过分析域间差异的核密度曲线，AFEC模块将目标域Dice分数从74.11%提升至83.04%；后续引入临床先验对比损失（CPCL）和特征感知对比损失（FACL），进一步优化至85.00%，超越现有SFDA方法。

关键技术方法

1. 自适应特征增强聚类（AFEC）：结合熵和预测概率增强目标域特征，通过高斯核密度估计分析域差异，自适应选择聚类策略。
2. 临床先验对比损失（CPCL）：利用解剖学知识约束边界分割，提升伪标签可靠性。
3. 特征感知对比损失（FACL）：强化类内一致性并扩大类间差异，缓解域偏移影响。

研究结果

AFEC模块的伪标签生成
通过特征增强和自适应聚类策略，在BinRushed→Magrabia跨域任务中，视杯分割Dice分数提升8.93%，证明AFEC能有效改善初始伪标签质量。

CPCL与FACL的协同优化
CPCL通过临床先验细化边界分割，FACL则增强特征判别性。实验显示，二者协同使REFUGE数据集上的分割性能再提升1.96%，尤其在细小结构（如视杯边缘）表现突出。

跨域泛化验证
在7种域偏移场景中，该方法均显著优于SHOT、SFDA等基线模型，最高提升10.89%，证实其适用于不同设备、人群的临床环境。

结论与意义
该研究首次将渐进式伪标签增强与临床知识结合，解决了SFDA中伪标签噪声累积的痛点。AFEC模块的创新在于动态适应域差异，而CPCL/FACL则从临床和特征层面双重优化。这不仅为医疗AI的跨机构部署提供新思路，其模块化设计还可扩展至CT、MRI等多模态分割任务。未来可探索更多先验知识的嵌入方式，进一步提升小样本场景下的鲁棒性。

（注：论文发表于《Biomedical Signal Processing and Control》，作者包括Wei Zhou、Guilin Guan等，基金支持含国家自然科学基金62062041等）