FSDA-DG：基于少标注单源域的医学图像分割跨域泛化增强方法

《Medical Image Analysis》：FSDA-DG: Improving cross-domain generalizability of medical image segmentation with few source domain annotations

针对医学图像分割中标注数据稀缺与域偏移共存的难题，研究人员提出FSDA-DG框架，通过语义引导的半监督数据增强（SSL）和多解码器U-Net架构，在仅需单源域少量标注条件下提升模型跨域泛化能力。实验表明该方法在腹部和心脏跨模态数据集上超越现有技术，为临床部署提供低成本高鲁棒性解决方案。

　　

医学图像分割是计算机辅助诊断系统的核心环节，但标注数据稀缺和域偏移问题严重制约其临床应用。现有研究多孤立解决这两个问题，而实际场景中它们往往并存。当模型仅能获取单源域少量标注数据时，如何实现跨域稳定泛化成为关键挑战。

针对这一难题，研究人员提出FSDA-DG创新框架。该工作通过语义引导的半监督数据增强策略，将图像划分为全局区域和语义局部区域，分别施加差异化增强：全局增强（GA）扩展显性域分布信息，焦点区域增强（FA）模拟类特异性偏移以保持语义不变性。同时引入增强规模平衡机制（SBA），利用显著性特征图校正增强数据。模型层面采用多解码器U-Net架构，通过不确定性估计的一致性损失和深度互学习策略，提升域不变特征学习能力。

关键技术包括：1）基于CHAOS和MS-CMRSeg数据集的跨模态实验验证；2）结合GA/FA/SBA的三阶段数据增强；3）多解码器一致性学习框架；4）深度互学习权重共享机制。

研究结果显示：在腹部多器官分割任务中，FSDA-DG的Dice系数较基线方法提升9.3%；心脏MR图像分割中，对bSSFP到LGE的跨序列泛化性能提升12.7%。消融实验证实，FA策略使域不变特征学习效率提高31%，而多解码器设计将训练稳定性提升24%。

结论表明，FSDA-DG首次实现单源域少标注条件下的稳定跨域泛化，其核心突破在于：1）通过语义解耦增强策略同时解决数据稀缺和域偏移问题；2）建立数据-模型协同优化范式；3）为临床小样本场景提供可扩展框架。该成果发表于《Medical Image Analysis》，代码已在GitHub开源。研究团队特别指出，未来可结合Transformer架构进一步挖掘跨模态语义关联，推动医学AI向低标注依赖、高临床适配方向发展。