基于开源域适应的肾脏CT体积分割跨域迁移研究：应对对比剂相位与功能异常的鲁棒性解决方案

为解决肾脏CT分割模型因对比剂相位差异（如动脉期/静脉期/非增强）和功能异常导致的性能下降问题，研究人员提出一种融合潜在空间判别器的域适应方法。该模型在KiTS21、STU等公开数据集及Mayo Clinic私有数据上验证，以0.8892 DICE分数超越TotalSegmentator等基线模型，为肾功能评估提供跨域稳定的自动化分割工具。

　　

当前肾脏分割模型开发多基于单相位CT数据，面对测试数据中简单的特征漂移（如对比剂相位差异）时性能显著下降。这项研究创新性地引入潜在空间判别器（latent space discriminator）的域适应技术，旨在构建不受对比剂剂量和肾脏功能异常影响的鲁棒分割模型，重点解决三大域偏移场景：对比增强与非增强CT的迁移、动脉期与静脉期图像的转换，以及正常与异常肾脏组织的识别。

研究团队采用非增强和动脉期公开数据集进行训练，并在KiTS21、STU等公开数据集及Mayo Clinic私有数据上开展跨域验证。值得注意的是，该模型在四类存在域偏移的数据集中均表现优异，平均DICE分数达0.8892，显著超越TotalSegmentator等基线模型及主流域适应方法。

临床价值方面，该技术突破传统分割模型对对比剂摄取的依赖性，为肾功能受损患者提供稳定的自动化肾脏体积测量方案。通过开源代码的共享，研究者推动该技术向精准医疗应用转化——无论患者是否存在对比剂代谢异常，都能获得可靠的肾脏健康评估，助力个性化治疗方案的制定。

（注：DICE score即Dice相似系数，是医学图像分割常用的评估指标；CT指计算机断层扫描；KiTS21为肾脏肿瘤分割挑战赛数据集）