基于SAM引导的可靠伪标签医学图像分割源域自由域适应方法(SRPL-SFDA)研究

为解决医学图像分割中源域数据不可访问时的域适应问题，电子科技大学团队提出SRPL-SFDA方法，通过测试时三分支强度增强(T3IE)和SAM引导的可靠伪标签选择，显著提升目标域分割性能，在胎儿脑和前列腺MRI数据上达到接近监督学习的水平。

　　

在医疗AI领域，医学图像分割模型的跨中心部署常因扫描设备、成像协议差异导致性能骤降。传统无监督域适应(UDA)需同时访问源域和目标域数据，而临床实践中因隐私和带宽限制往往无法获取源数据。源域自由域适应(SFDA)虽能规避此问题，但面临目标域伪标签质量低下、噪声监督等挑战。电子科技大学的研究团队在《Neurocomputing》发表的这项研究，创新性地引入通用分割模型SAM来破解这一困局。

研究采用三大核心技术：测试时三分支强度增强(T3IE)通过直方图均衡和自适应对比度调整生成SAM兼容的三通道输入；基于多SAM输出一致性(CMSO)的可靠伪标签筛选机制；以及融合可靠伪标签监督与熵最小化正则化(RPSR)的训练策略。实验采用多中心前列腺MRI和胎儿脑MRI数据集验证。

方法部分
T3IE模块通过并行处理原始图像、直方图均衡化结果和自适应对比度调整图像，既提升源模型预测质量以生成更优SAM提示框，又构建三通道输入增强SAM的零样本推理能力。CMSO标准通过计算T3IE扰动下多个SAM输出的Dice系数一致性，筛选高置信度伪标签。RPSR损失函数对可靠区域采用伪标签监督，不可靠区域则施加熵最小化约束。

结果部分
在胎儿脑数据集上，SRPL-SFDA的Dice系数达85.3%，较基线SFDA方法提升9.8%；前列腺数据上Dice提升7.2%。消融实验显示：单独使用T3IE可使伪标签mIoU提升4.5%，结合CMSO后进一步增加3.2%。与UPL-SFDA等现有方法相比，本方法在目标域性能接近监督学习结果的92%。

讨论与结论
该研究的突破性在于首次将SAM的通用分割能力与SFDA框架结合，通过T3IE有效弥合自然图像与医学图像的域间隙。相比需要特定网络架构的SFDA方法，这种模型无关的框架可适配U-Net、Transformer等多种分割网络。局限性在于SAM处理小目标时仍需优化提示机制。未来可探索结合文本提示等跨模态信息进一步提升性能。这项工作为医疗AI模型的安全跨中心部署提供了新范式。