DDS-UDA：用于视盘与视杯联合分割的无监督域适应的双域协同方法
计算机视觉与模式识别
2026-03-17 v1 人工智能
摘要
卷积神经网络（CNNs）在单机构数据集上的视盘与视杯联合分割中取得了令人瞩目的性能。然而，其临床转化受到两大挑战的阻碍：大规模高质量标注的有限可用性，以及在跨异构成像协议和采集平台部署时由域偏移引起的性能退化。虽然无监督域适应（UDA）提供了一种缓解这些局限性的方法，但大多数现有方法未在统一框架内解决跨域干扰和域内泛化问题。在本文中，我们提出了双域协同UDA（DDS-UDA），一种新颖的UDA框架，包含两个关键模块。首先，强制实施双向跨域一致性正则化模块，通过由粗到细的动态掩码生成器引导的跨域特征级语义信息交换来缓解跨域干扰，在抑制噪声传播的同时保持结构一致性。其次，频率驱动的域内伪标签学习模块用于通过合成频谱幅度混合监督信号来增强域内泛化，确保跨域的高保真特征对齐。在师生架构中实现，DDS-UDA将域特定偏差从域不变特征级表征中解耦，从而实现对异构成像环境的鲁棒适应。我们在两个多域眼底图像数据集上对所提出的方法进行了全面评估，证明其优于若干现有UDA方法，因此为视盘与视杯分割提供了一种有效途径。
引用
@article{arxiv.2603.13345,
title = {DDS-UDA: Dual-Domain Synergy for Unsupervised Domain Adaptation in Joint Segmentation of Optic Disc and Optic Cup},
author = {Yusong Xiao and Yuxuan Wu and Li Xiao and Gang Qu and Haiye Huo and Yu-Ping Wang},
journal= {arXiv preprint arXiv:2603.13345},
year = {2026}
}