基于图像翻译的无监督跨模态域适应医学图像分割方法

监督式深度学习在医学图像上的挑战通常超过自然图像。由于医学图像的标注需要医生的专业知识，且耗时且昂贵，因此一些研究人员转向无监督学习方法，但后者通常会出现性能下降。此外，医学图像可能在不同医疗中心以不同扫描仪并经不同的图像获取协议获取，因此医学图像的模态性往往不一致。这种模态差异（域迁移）也会降低深度学习方法的适用性。为此，我们提出了一种基于图像翻译的无监督跨模态域适应方法，通过将具有标注的源模态图像转换为未标注的目标模态图像，并使用其标注来实现对目标模态的监督学习。此外，通过自训练方法克服转换后的伪图像与真实图像之间的细微差异，以进一步提高深度学习的任务性能。我们的方法在crossMoDA 2022挑战赛验证阶段的VS和 cochlea 分割任务中分别实现了平均Dice相似系数（DSC）和平均对称表面距离（ASSD）为$0.8351 \pm 0.1152$和$1.6712 \pm 2.1948$（VS），$0.8098 \pm 0.0233$和$0.2317 \pm 0.1577$（cochlea）。