脑 MR 图像和谐化中可解释领域信息的获取：用于基于内容的图像检索

医学影像如 MR 扫描由于扫描仪和协议差异，在不同成像中心显示领域偏移，这会降低疾病分类等任务中机器学习性能。因此，领域和谐化成为关键研究焦点。最近的研究方法将脑部图像 $\boldsymbol{x}$ 编码到低维潜在空间 $\boldsymbol{z}$，再解耦为 $\boldsymbol{z_u}$（领域不变）和 $\boldsymbol{z_d}$（领域特定），取得了显著效果。然而，这些方法常缺乏可解释性——这是医学应用中必需的特性——留下了实际问题未解。我们提出了伪线性风格编码对抗域适应框架（Pseudo-Linear-Style Encoder Adversarial Domain Adaptation, PL-SE-ADA），用于领域和谐化和可解释表征学习，保留脑部 MR 图像中的疾病相关信息。PL-SE-ADA 包含两个编码器 $f_E$ 和 $f_{SE}$ 用于提取 $\boldsymbol{z_u}$ 和 $\boldsymbol{z_d}$，一个解码器用于重构图像 $f_D$，以及一个域预测器 $g_D$。除了编码器与域预测器之间的对抗训练外，该模型学习通过对 $\boldsymbol{z_u}$ 和 $\boldsymbol{z_d}$ 的重构之和来重构输入图像 $\boldsymbol{x}$，确保实现和谐化和信息丰富性。与先前方法相比，PL-SE-ADA 在图像重建、疾病分类和域识别方面实现了相同或更好的性能。它还能够可视化领域无关的脑部特征和领域特定成分，整个框架具有高度可解释性。