基于自适应敏感度-费舍尔正则化的异质迁移学习在腹腔镜视频血管分割中的应用研究

这篇综述提出了一种创新的自适应敏感度-费舍尔正则化（ASFR）方法，通过整合费舍尔信息（Fisher Information）和敏感度分析（Sensitivity Analysis），解决了腹腔镜视频中血管分割的异质迁移学习（Heterogeneous Transfer Learning）难题。该方法有效缓解了有限标注数据导致的灾难性遗忘（Catastrophic Forgetting）和过拟合问题，在STCN和XMem架构上实现了41.3的平均Dice分数，显著提升了手术安全性和效率。

　　

引言
腹腔镜手术中血管的精确定位直接关乎手术效果与患者安全，但血管常被脂肪等组织遮挡。传统荧光成像（如Da Vinci^?
Firefly?）需频繁切换模式且存在过敏风险，而基于深度学习的解决方案面临标注数据稀缺的挑战。本研究首次提出仅用白光成像实现连续血管分割，通过异质迁移学习将非医学数据集（如YouTubeVOS）的知识迁移至医学领域。

方法
ASFR框架的核心包含双重量化指标：

1. 费舍尔信息：通过计算参数二阶梯度（公式2），识别源任务中关键参数，防止灾难性遗忘。
2. 敏感度分析：评估输入扰动对输出的影响（公式3），避免小数据集过拟合。
   总损失函数（公式4）通过超参数λ平衡新旧任务，其中λ=0.5时效果最佳。实验采用STCN和XMem网络，在22例胃癌手术视频（含1,581可见/3,444不可见LGV帧）中验证。

结果

• 定量分析：ASFR在XMem架构上表现最优，不可见/可见血管Dice分数分别达38.7±18.2和43.9±12.1（表1），显著优于EWC、L2SP等方法。
• 定性分析：图3显示ASFR能精准追踪血管从隐匿到显现的过渡，而对比方法在临界帧误差显著增大。
• 无标注启动实验：即使无首帧标注（图4），ASFR仍可识别薄层脂肪下的血管， Dice分数仅降低2.3%（表2）。

讨论
模块分析（图5）揭示：

• 值编码器（Value Encoder）具有最高费舍尔信息（STCN: 0.32），需强正则化保护源知识。
• 键编码器（Key Encoder）敏感度达0.41，需谨慎调整以防过拟合。
  该方法突破了传统荧光依赖，为手术导航提供了实时、无创的新范式。

结论
ASFR通过智能参数筛选机制，实现了跨域知识的高效迁移。未来将探索其在其他术式（如肝胆手术）中的应用，并优化无标注场景下的性能。