经直肠超声图像前列腺分割的域泛化：一项多中心研究

前列腺活检和图像引导治疗程序通常在融合磁共振图像（MRI）的超声引导下进行。准确的图像融合依赖于超声图像上前列腺的准确分割。然而，超声图像中较低的信噪比和伪影（如散斑和阴影）限制了自动化前列腺分割技术的性能，且将这些方法泛化到新的图像域本身十分困难。在本研究中，我们通过引入一种新颖的2.5D深度神经网络用于超声图像前列腺分割来解决这些挑战。我们的方法通过结合监督域适应技术和知识蒸馏损失，解决了迁移学习和微调方法的局限性（即模型权重更新时原始训练数据上的性能下降）。知识蒸馏损失允许保留先前学到的知识，并减少在新数据集上微调模型后的性能下降。此外，我们的方法依赖于一个注意力模块，该模块考虑模型特征定位信息以提高分割精度。我们在一个机构的764名受试者上训练模型，并仅使用后续机构的10名受试者对模型进行微调。我们在涵盖三个不同机构2067名受试者的三个大型数据集上分析了方法的性能。我们的方法在来自第一个机构的独立受试者集合中达到了平均Dice相似系数（Dice）为$94.0\pm0.03$、豪斯多夫距离（HD95）为2.28 $mm$。此外，我们的模型在其他两个机构的研究中泛化良好（Dice：$91.0\pm0.03$；HD95：3.7$mm$ 以及 Dice：$82.0\pm0.03$；HD95：7.1 $mm$）。