醫學圖像分割是精準醫療的關鍵處理步驟，但不同醫療設備和成像條件下的圖像分布差異給圖像分割帶來了巨大挑戰，雖然有監督的域自適應方法可以緩解模型在目標域上的性能損失，但是在醫學圖像領域獲取高質量且準確的標注信息通常是昂貴、耗時和繁瑣的過程。
為了克服有監督域自適應方法所面臨的標注信息缺乏或獲取標簽困難的問題，無監督域自適應方法因不依賴于目標域的標注信息而被廣泛關注，但是主流基于生成對抗網絡（GAN）的無監督域自適應（UDA）方法存在穩定性差和變換后圖像分布偏差的問題。
近日，中國科學院深圳先進技術研究院科學儀器所（集群）（籌）秦文健研究員課題組在醫學影像期刊Medical Image Analysis上發表了題為“Dual domain distribution?disruption with semantics preservation: Unsupervised domain adaptation for medical image segmentation”的文章。
文章上線截圖
為了解決這些問題，本研究提出了一種全新的雙域分布多變-語義約束的三維方法（DDSP），通過結合雙域分布干擾與語義保持策略，顯著提升了模型在不同成像條件下的泛化能力，且無需目標域的標注數據。除此之外，本研究還引入了基于域不變結構先驗信息的特征對齊模塊，促進雙域共享參數的分割器在目標域特征上的性能。
DDSP的兩大優勢
為了驗證DDSP框架的有效性，研究團隊在三個公開的醫學圖像數據集上進行了廣泛的實驗，包括心臟、大腦和前列腺圖像分割任務。這些數據集涵蓋了不同成像模式和采集站點，提供了豐富的跨領域圖像樣本。
DDSP與其他方法在MMWHS17數據集上的性能比較
實驗結果表明，DDSP在多個評價指標上均超越了現有的最先進方法，并且與全監督模型相比也展現出了較小的性能差距。尤其是在MMWHS17數據集上，DDSP在雙向跨模態心臟子結構分割任務上平均Dice分別達到了0.890和0.819。同時，為了驗證所提出特征對齊模塊的有效性，研究人員還展示了加入模塊前后，模型所提取的源域特征和目標域特征在內容凸顯上的對齊程度。
加入特征對齊模塊前后，目標域特征凸顯內容的變化
該工作在減少人工標注成本的同時，有效提高了跨醫院和設備間的圖像分析的一致性，該技術方法有望為跨模態、跨區域醫學圖像高效標注提供全新的解決方案思路。
深圳先進院碩士研究生鄭博勻為第一作者，秦文健研究員為主要通訊作者。秦文健團隊多年來一直致力于醫學圖像智能分析及基于人工智能新診療方法的研究和轉化工作。該文章也得到了國家自然科學基金項目、中國科學院青促會會員和江西省介入治療臨床醫學研究中心項目的支持。
附件下載：