基于聚类-过滤的伪标签细化方法,用于无源域适应的眼底图像分割

《Pattern Recognition》:Cluster-Filter-based Pseudo-label Refinement for Source-free Domain Adaptation Fundus Image Segmentation

【字体: 大 中 小 】 时间:2026年01月12日 来源:Pattern Recognition 7.6

编辑推荐:

  跨域视杯视盘分割中,提出基于聚类滤波的伪标签优化模块(CFPR)和类优先加权Dice损失函数。通过动态构建数据驱动的聚类滤波器提升伪标签可靠性,结合空间自适应的类权重调整解决小目标分割难题,在四个公开数据集上验证其优于现有源无域自适应方法,尤其在处理视杯视盘边界模糊场景时表现显著。

  
张艳琴|马丁|吴向倩
哈尔滨工业大学计算机学院多模态人工智能与应用研究中心(MAIA),中国黑龙江省哈尔滨市西大直街92号,150001

摘要

源域无关的领域适应(Source-Free Domain Adaptation, SFDA)能够在不访问源域数据的情况下实现知识迁移,有效提升数据隐私和安全性。因此,该方法已广泛应用于眼底图像中视盘和视杯的分割任务。尽管SFDA取得了令人满意的结果,但仍存在两个关键挑战:(1)缺乏源域数据会增加模型适应的不稳定性,这意味着伪标签的可靠性会显著影响模型性能;(2)视盘与视杯之间的对比度低,且相对于背景而言解剖结构比例较小,这大大增加了跨领域分割的难度。为了解决这些挑战,本研究提出了一种即插即用的模块,称为基于聚类的伪标签精细化(Cluster-Filter-based Pseudo-label Refinement, CFPR)。具体而言,我们利用数据的内在特征对中间模型特征进行聚类,并生成聚类滤波器,然后用这些滤波器来精细化教师模型生成的伪标签,为学生模型训练提供更可靠的监督,从而减轻不稳定伪标签对性能的影响。此外,为了解决传统的Dice损失函数在区分视盘和视杯重要性方面的不足,我们提出了一种基于类别先验的Dice损失函数。该损失函数更注重难以分割的样本,缓解了类别不平衡和视盘与视杯对比度低对模型性能的影响。我们将CFPR与几种基准模型集成在一起,在多个基准数据集上的实验评估表明,我们的方法优于现有的源域无关方法,尤其是在处理模糊的视杯/视盘边界时。

引言

医学图像分析[1]是计算机视觉的一个关键子领域,旨在从医学成像数据中提取临床相关的信息,如组织[2]或病变[3]。这有助于疾病分类[4]、语义分割[5][6]和病理病变检测[7],辅助医生进行诊断决策和治疗计划。
例如,准确分割视盘(OD)和视杯(OC)对于计算视杯盘比(CDR)至关重要,后者是青光眼筛查和诊断的关键指标。自动化分割能够实现客观且可重复的CDR评估,支持大规模筛查和远程眼科应用,同时有效减少临床医生的工作负担,并推动智能眼科诊断系统的临床应用。
然而,医学图像(如眼底图像)具有高信息密度和复杂结构,需要经验丰富的临床医生进行注释,这需要投入大量的时间和精力。因此,获取标注良好的医学图像数据集是一个重大挑战[8]。此外,医学成像数据通常存在显著的领域差异[9],例如成像设备的不同或患者特异性变化,这可能导致预训练模型在新数据集上的性能显著下降。这已成为阻碍医学图像分析模型广泛应用的关键挑战之一。同时,医学成像中的数据隐私和安全问题也限制了数据的可访问性。因此,源域无关的领域适应(SFDA)[10]已成为医学图像分析领域一个日益重要的研究方向。
在SFDA中,伪标签生成是直接影响领域适应效果的核心组成部分。SFDA通常依赖于自训练策略,其中伪标签是使用源域预训练模型对目标域数据的预测进行初始化的,然后用于进一步优化模型。常见的方法是应用固定阈值来区分模型预测并生成伪标签。然而,在医学成像中经常遇到的挑战,如类别不平衡、噪声干扰和领域差异,如图1所示,视杯、视盘和背景区域的比例存在显著不平衡,且视杯和视盘之间的形态相似性使得它们难以有效区分。此外,眼底病变会改变视杯和视盘的形状和特征,进一步增加准确分割的难度。这些因素会严重削弱伪标签的可靠性。不可靠的伪标签可能导致反向传播过程中错误的累积和放大,最终导致模型失败。因此,伪标签的可靠性和稳定性对于无监督领域适应的性能至关重要。
近年来,许多研究提供了提高伪标签质量的新见解,例如均值教师模型[11][12]。然而,这些方法在生成伪标签时仍然依赖于固定阈值。由于源域和目标域之间的领域差异,源域训练的模型生成的伪标签不可避免地包含噪声和错误预测,难以确保其稳定性。
为了解决基于SFDA的眼底图像分割中的伪标签噪声问题,一些研究尝试引入基于聚类的伪标签优化机制。例如,刘等人[13]提出了一种混合聚类策略,周等人[14]开发了一种渐进式伪标签增强框架。尽管这些方法在一定程度上提高了伪标签的稳定性,但它们的聚类过程通常是静态设计的,难以适应复杂医学图像的空间异质性。
为了克服这些限制,本研究提出了一种即插即用的模块,称为基于聚类的伪标签精细化(CFPR)。该模块使用模型的中间特征动态构建聚类滤波器,以反映目标域的潜在特征分布,并在每次迭代中自适应地评估伪标签的置信度。根据置信度水平采用不同的策略:保留高置信度的伪标签,修正低置信度的伪标签,在无监督条件下实现细粒度和抗噪声的伪标签优化。与现有的静态聚类方法相比,这种动态聚类机制更有效地捕捉目标域的结构特征,显著提高了模型在跨领域分割中的稳定性和鲁棒性。
此外,基于均值教师框架的无监督领域适应方法通常采用二元交叉熵损失进行优化。然而,这种损失对所有像素一视同仁,难以处理眼底图像分割中的类别不平衡问题。结果,模型倾向于偏向多数类样本,在关键解剖结构边界附近表现较差。为了解决这个问题,一些研究尝试通过类别加权策略提高模型在类别不平衡条件下的鲁棒性。例如,王等人[15]通过结合重采样和加权机制在领域适应过程中平衡了少数类和多数类样本,而唐等人[16]引入了一种基于全局预测统计的损失校准策略。尽管这些方法在一定程度上缓解了类别不平衡问题,但大多数依赖于全局或静态加权方案,无法完全捕捉类别之间的局部空间差异。
为了解决这个问题,本研究提出了一种基于类别先验的Dice损失函数。该方法动态调整像素级别的类别权重,以准确反映目标域中每个类别的分布特征,有效缓解了由类别不平衡引起的模型偏差。与现有的全局加权策略相比,所提出的类别先验加权机制在全局一致性和局部结构细节之间取得了更好的平衡,更适合SFDA场景中的无监督优化。
总之,本研究提出了一种用于眼底图像分割的源域无关领域适应(SFDA)方法,该方法能够在不访问源域数据的情况下对目标域模型进行自适应优化。通过有效地将源域知识迁移到目标域,所提出的方法减轻了源域和目标域分布之间的领域差异,从而实现了目标域中视盘(OD)和视杯(OC)的无监督分割。这项工作不仅为跨领域分割和在数据隐私约束下的自动视杯盘比评估提供了技术支持,还促进了相关研究的临床转化和实际应用,显示出显著的实际价值。
本研究的主要贡献如下:
  • 1.
    我们提出了一种名为基于聚类的伪标签精细化(CFPR)的新即插即用模块,该模块利用数据的内在特征分布来指导精细化过程,从而有效提高了伪标签的可靠性和稳定性,为训练学生模型提供了更准确的监督信号。
  • 2.
    我们引入了一种基于类别先验的加权Dice损失函数,通过为不同类别分配不同的权重来解决类别不平衡问题,同时提高了模型对挑战性样本(如结构边界和小目标区域)的敏感性。
  • 3.
    我们将所提出的方法与几种基准模型集成,并在两个广泛使用的眼底图像数据集上进行了SFDA视盘/视杯分割评估。与现有方法的比较实验表明,我们的方法在跨领域场景中显著提高了分割精度。
  • 相关工作

    相关工作

    源域无关的领域适应(SFDA)已成为推动计算机辅助医学图像分析发展的关键力量。在缺乏源数据和目标标签的情况下,基于伪标签的方法已成为主流技术范式。特别是基于均值教师的方法已在无监督学习中得到广泛应用。本节介绍了与本研究重点相关的几项相关工作。

    方法

    本研究提出了一种用于眼底图像分割的源域无关领域适应(SFDA)框架,旨在在不访问源域数据的情况下分割目标域眼底图像中的视杯和视盘。在本节中,我们详细描述了整个框架和所提出方法的具体组成部分。具体来说,第3.1节介绍了相关的数学符号。第3.2节介绍了整体网络架构。第3.3节和第3.4节则进一步介绍了...

    数据集

    本研究在四个公开可用的眼底图像数据集上进行了验证:REFUGE [28](320/80张训练/测试用眼底图像)、RIM-ONE-r3 [29](99/60张训练/测试用眼底图像)、Drishti-GS [30](50/51张训练/测试用眼底图像)和RIGA+ [31](超过750张眼底图像)。这些数据集涵盖了在不同采集条件下收集的眼底图像,来自多个临床中心,为评估模型的鲁棒性和泛化能力提供了全面的基准。

    结论

    本研究提出了一种名为基于聚类的伪标签精细化(CFPR)的即插即用模块,用于无监督领域适应的眼底图像分割,有效解决了伪标签噪声传播和跨领域眼底分割中的类别不平衡问题。首先,构建了一个特征驱动的聚类滤波器来提高伪标签的稳定性,显著降低了无监督训练过程中的噪声传播风险。其次,基于类别先验的...

    CRediT作者贡献声明

    张艳琴:撰写 – 审稿与编辑、撰写 – 原始草案、软件、方法论、概念化。马丁:撰写 – 审稿与编辑、资金获取、概念化。吴向倩:撰写 – 审稿与编辑、监督、资金获取、概念化。

    利益冲突声明

    作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

    致谢

    本工作得到了中国国家自然科学基金[授权号U23A20389, 62306095, 82441009, 82441008]、中国黑龙江省自然科学基金[授权号ZD2022F002, LH2024F021, LH2024F017]、黑龙江省头雁创新团队计划、中国博士后科学基金[授权号2024M764190]以及黑龙江省科技人才支持计划[授权号CYQN24030]的支持。我们还要感谢...
    相关新闻
    生物通微信公众号
    微信
    新浪微博

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号