基于聚类最大均值差异对齐的域无关混合域半监督医学图像分割

深度学习在医学图像语义分割方面取得了显著进展，但其成功严重依赖于大规模专家标注和一致的数据分布。实际情况下，标注稀缺，图像来自多个扫描仪或中心，导致混合域设置且域标签未知、域差异严重。现有的半监督或域适应方法通常假设单一域漂移或获取显式域索引，这在实际部署中几乎不成立。本文提出一种域无关混合域半监督分割框架，联合增强数据多样性并减轻域偏差。复制粘贴机制（CPM）通过在域之间传递信息性区域来扩充训练集，同时引入聚类最大均值差异（CMMD）模块，对无标签特征进行聚类并通过 MMD 目标与带标签锚点对齐，以鼓励域无关表征。集成在教师-学生框架中，我们的方法即使在极少的带标签示例和多个未知域差异下，也实现了稳健且精确的分割。在 Fundus 和 M&Ms 数据集上进行实验表明，我们的方法在半监督和域适应方法上均显著优于，为混合域半监督医学图像分割开辟了潜在解决方案。