DDFP：面向医学图像分割的源自由数据依赖频率提示
计算机视觉与模式识别
2025-05-16 v1
摘要
域适应旨在解决模型性能因域差异导致的下降问题。在典型的无监督域适应设置中，使用来自源域的标注数据和来自目标域的无标注数据训练目标模型。然而，特别是在医疗数据集中，由于隐私政策，获取标注的源域数据可能受限。因此，研究正越来越多地转向源自由域适应 (SFDA)，该方法仅需要来自源域的预训练模型和来自目标域的无标注数据进行适应。现有 SFDA 方法通常依赖域特定的图像风格转换和自监督技术以弥补域差异并训练目标域模型。然而，这些方法生成的域特定风格转换图像和伪标签质量仍有提升空间。此外，在受限监督条件下，对整个模型进行适应可能效率不高。本文提出一种新颖的 SFDA 框架以应对上述挑战。具体而言，为有效缓解初始训练阶段的域差异影响，我们引入预适应以生成预适应模型，作为目标模型的初始化，允许在不引入额外参数的情况下生成高质量的增强伪标签。此外，我们提出数据依赖频率提示以更有效地将目标域图像转换为类似源域的风格。为进一步增强适应，我们采用针对 SFDA 专用的风格相关层微调策略，使用提示后的目标域图像和伪标签训练目标模型。在跨模态腹部和心脏 SFDA 分割任务上的大量实验表明，我们的方法优于现有最先进方法。
引用
@article{arxiv.2505.09927,
title = {DDFP: Data-dependent Frequency Prompt for Source Free Domain Adaptation of Medical Image Segmentation},
author = {Siqi Yin and Shaolei Liu and Manning Wang},
journal= {arXiv preprint arXiv:2505.09927},
year = {2025}
}