基于Earth Mover's Distance的跨域小样本医学图像分割鲁棒匹配机制研究

针对医学影像跨模态/跨机构场景下小样本分割(FSMIS)的域偏移难题，研究团队提出RobustEMD模型。通过通道级特征分解、纹理感知权重生成和Hausdorff距离运输成本计算，显著提升跨域泛化能力。实验表明其在CT/MRI等多场景中超越现有方法，为临床异构数据应用提供新范式。

　　

医学影像分析领域正面临一个关键矛盾：虽然深度学习在图像分割任务中表现卓越，但临床实践中标注数据稀缺且数据来源高度异质化。不同医疗机构采用多样化的成像设备（如CT、MRI-T1/T2）、扫描协议和重建算法，导致显著的域偏移（domain shift）现象。传统小样本医学图像分割(FSMIS)模型在单一域训练和测试时表现良好，但面对真实世界的跨域场景时性能急剧下降——例如肝脏病灶在CT显示腔隙结构而MRI-T2突出血管纹理，这种局部特征不匹配导致现有匹配机制失效。

南京邮电大学的研究团队在《Artificial Intelligence in Medicine》发表的研究中，创新性地提出RobustEMD框架。该工作首次系统定义了跨域小样本医学图像分割(CD-FSMIS)任务，并基于Earth Mover's Distance(EMD)设计三重改进：将支持集(support set)和查询集(query set)特征均匀分解为通道级节点；通过Sobel梯度计算生成纹理结构感知权重；采用边界敏感的Hausdorff距离替代传统l₂范数计算运输成本。在跨模态（CT→MRI）、跨序列（MRI-T1→T2）和跨机构三大场景的测试中，模型Dice系数平均提升9.7%，尤其对微小结构的分割精度提高显著。

关键技术包括：1) 通道级特征分解策略，将高层特征图均匀划分为n个局部节点；2) 基于Sobel算子的双向梯度计算，通过局部方差量化纹理复杂度作为节点权重；3) 改进Hausdorff距离度量，强调解剖结构边界对齐而非局部纹理匹配；4) 使用线性规划求解最优传输问题。实验数据来自多中心合作的腹部CT/MRI数据集，包含肝脏、肾脏等器官的异质成像。

研究结果验证：
跨域性能对比：在MRI-T2→CT任务中，RobustEMD的mIoU达到58.3%，较基线DeepEMD提升12.4%。域偏移导致的性能衰减幅度从传统方法的34.7%降至19.1%。
节点权重分析：高纹理复杂度节点（方差>0.8）的权重被抑制至0.2以下，有效过滤域敏感特征。
运输成本优化：Hausdorff距离使边界对齐误差减少41%，显著改善细小血管的分割连续性。

结论表明，该方法通过解耦域相关纹理和域不变结构特征，首次实现FSMIS模型在未见域(unseen domain)的零样本自适应。临床价值在于：1) 缓解多中心研究中的数据异构性问题；2) 为罕见病诊断提供标注高效的解决方案；3) 保留解剖形态先验知识，避免过度依赖特定成像参数。未来可扩展至动态影像分析和三维分割任务，推动AI辅助诊断系统的实际部署。