FPL+：基于过滤伪标签的无监督跨模态适应用于3D医学图像分割

将医学图像分割模型适应到新领域对于提高其跨域迁移性很重要，由于标注过程昂贵，无监督域适应（UDA）很有吸引力，它只需要未标注图像进行适应。现有的UDA方法主要基于图像或特征对齐以及对抗训练进行正则化，受限于目标域监督不足。在本文中，我们提出了一种增强的基于过滤伪标签（FPL+）的UDA方法，用于3D医学图像分割。它首先使用跨域数据增强将源域中的标注图像转换为一个双域训练集，包括伪源域集和伪目标域集。为了利用双域增强图像训练伪标签生成器，使用特定域的批归一化层来处理域偏移，同时学习域不变的结构特征，为目标域图像生成高质量的伪标签。然后，我们将标注的源域图像和带有伪标签的目标域图像结合起来训练最终的分割器，其中基于不确定性估计的图像级加权和基于双域一致性的像素级加权被提出来减轻噪声伪标签的不利影响。在三个公共多模态数据集（前庭神经鞘瘤、脑肿瘤和全心分割）上的实验表明，我们的方法超越了十种最先进的UDA方法，在某些情况下甚至比目标域中的全监督学习取得了更好的结果。