通过数据掺杂：双域学习在CT引导的阴道镜治疗中精确尿道分割
计算机视觉与模式识别
2026-01-29 v1
摘要
由于协变量漂移导致的性能下降仍是深度学习医学图像分割中的主要挑战。一个开放问题是，来自漂移分布的样本能否与有限的目标域数据有效协同支持学习。在阴道镜治疗中进行CT引导的尿道分割中，我们研究了这一问题。虽然广泛可得的是无阴道镜的CT扫描（无阴道镜：NA），但带阴道镜的扫描（有阴道镜：WA）稀缺且存在显著的解剖变形和影像伪影，使得自动分割尤为困难。我们提出一种双域学习策略，将NA和WA CT数据整合以提升在协变量漂移下的鲁棒性和可泛化性。通过使用精选数据集，我们表明NA数据单独使用无法捕获WA图像中与解剖和伪影相关的特征。然而，在以NA为主的训练集中引入适度比例的WA数据可显著提升性能。通过在轴向、冠状和矢状面上进行系统实验，并使用多种深度学习架构，我们证明仅掺杂10%至30%的WA数据即可实现与仅用WA数据训练的模型相当的分割性能。该方法实现了最高达0.94的Dice相似系数和0.92的交并比（IoU）得分，表明有效的域适应和改进的临床可靠性。本研究强调了整合解剖相似但分布漂移数据，以克服数据稀缺并提升治疗计划中基于深度学习的分割技术的价值。
引用
@article{arxiv.2601.20302,
title = {Bridging the Applicator Gap with Data-Doping:Dual-Domain Learning for Precise Bladder Segmentation in CT-Guided Brachytherapy},
author = {Suresh Das and Siladittya Manna and Sayantari Ghosh},
journal= {arXiv preprint arXiv:2601.20302},
year = {2026}
}