基于提示学习的无源域自适应医学图像分割方法研究

本文提出了一种创新的无源域自适应方法ProSFDA（Prompt learning based SFDA），通过提示学习（Prompt Learning）和特征对齐（Feature Alignment）两阶段策略，显著提升了医学图像分割模型在目标域的适应性。该方法无需访问源域数据，仅通过优化域感知提示（domain-aware prompt）和特征分布对齐，有效解决了跨域医学图像分割中的域差异（domain discrepancy）问题，在视盘/视杯（OD/OC）和灰质/白质（GM/WM）分割任务中性能超越现有SFDA方法。

　　

Highlight

我们重点研究了无源域自适应（SFDA）中的域差异问题，并提出基于提示学习的ProSFDA方法。该方法通过可学习的视觉提示（visual prompt）估计域差异，并利用优化后的提示调整目标域图像，使其可被冻结的源模型识别为源域数据。同时，通过特征对齐策略增强目标域特征的紧凑性。

Source-free Domain Adaptation

SFDA方法主要分为两类：基于伪标签的方法和基于先验知识的方法。前者依赖源模型生成的噪声伪标签，后者则通过先验预测网络迁移知识。但两者在域差异较大时均面临可靠性挑战。

Problem Definition and Method Overview

给定预训练的源模型F_θ^s和未标注目标域数据{x_n^t}，ProSFDA通过提示学习阶段（PLS）和特征对齐阶段（FAS）实现模型适应。PLS利用批量归一化统计量（BN statistics）差异优化域感知提示；FAS则通过风格增强样本的特征对齐提升模型鲁棒性。

Clinical Implications

ProSFDA在临床部署中具有显著优势：无需源域数据即可实现跨设备、跨中心的模型适配，有效规避医疗数据隐私问题，为眼科（如OD/OC分割）和脑影像（如GM/WM分割）的自动化分析提供可靠解决方案。

Conclusion

本文提出的ProSFDA通过可学习提示显式建模域差异，结合特征对齐策略，在多个医学图像分割基准测试中性能优于现有SFDA方法，部分指标甚至媲美需要源域数据的UDA方法。