基于RKHS-MMD的医学图像分类无监督域适应框架
计算机视觉与模式识别
2026-05-06 v1
摘要
给医学图像标记是一个主要瓶颈，因其需要特定的专业知识，并且由于不同医疗中心和不同成像设备之间的差异性，这一问题进一步复杂化。此类异质性引入域偏移和模态差异，限制了训练模型的泛化能力。为解决这一重要挑战，我们提出了一个无监督域适应框架，将迁移学习与基于再生产核希尔伯特空间(Reproducing Kernel Hilbert Space)的最大均值差异(MMD)损失相结合，用于源域和目标域的对齐。通过联合优化分类和RKHS-MMD损失，该方法增强了对未标记医疗数据集的泛化能力，同时减少了对手动标注的依赖。 presented 在两个来自不同医疗中心的胸部X光数据集上的实验评估显示，与在没有适应的模型相比，表现出显著的改进。此外，我们进行了比较研究，表明RKHS-MMD在减少模态差距方面优于标准最大均值差异，凸显其在医学图像分类和更广泛的先进AI驱动医疗诊断中的有效性。
引用
@article{arxiv.2605.03787,
title = {A Robust Unsupervised Domain Adaptation Framework for Medical Image Classification Using RKHS-MMD},
author = {Sapna Sachan and Rakesh Kumar Sanodiya and Amulya Kumar Mahto},
journal= {arXiv preprint arXiv:2605.03787},
year = {2026}
}
备注
13 Pages, 6 figures