BCMDA：用于混合域半监督医学图像分割的双向关联图域适应
计算机视觉与模式识别
2026-03-31 v2
摘要
在混合域半监督医学图像分割(MiDSS)场景中，在域迁移和有限标注之间实现卓越性能具有挑战。该场景提出两个主要问题：(1) labeled和unlabeled数据之间的分布差异阻碍有效知识迁移，(2) 从unlabeled数据获取高效学习导致严重的确认偏差。本文提出双向关联图域适应(BCMDA)框架来克服这些问题。一方面，我们采用虚拟域桥接(KTVDB)进行知识迁移。首先，为了构建分布对齐的虚拟域，我们利用labeled和unlabeled数据之间的双向关联图来合成both labeled和unlabeled图像，这些图像随后与原始图像混合以生成虚拟图像，采用固定比例和渐进动态MixUp两种策略。接着，使用双向CutMix用于fixed虚拟域内的初始知识迁移以及从动态转换labeled域到真实unlabeled域的渐进知识迁移。另一方面，为缓解确认偏差，我们采用prototypical alignment和pseudo label correction(PAPLC)，利用可学习的原型余弦相似度分类器进行virtual和real域之间的双向原型对齐，生成更光滑更紧凑的特征表示。最后，使用原型伪标签校正生成更可靠的伪标签。经验评估表明，我们的方法在三个公开多域数据集上表现卓越，尤其是在极少标注样本的情况下也能实现优异性能。代码已公开https://github.com/pascalcpp/BCMDA。
引用
@article{arxiv.2603.24691,
title = {BCMDA: Bidirectional Correlation Maps Domain Adaptation for Mixed Domain Semi-Supervised Medical Image Segmentation},
author = {Bentao Song and Jun Huang and Qingfeng Wang},
journal= {arXiv preprint arXiv:2603.24691},
year = {2026}
}
备注
Accepted at Neural Networks