通过域适应提高 CT 深度学习模型对工伤的鲁棒性（无需带标签的工伤图像）

如果 CT 扫描仪引入新的工伤，而训练标签中不存在，则模型可能误分类图像。虽然现代 CT 扫描仪包含可减缓这些工伤的设计特征，但仍可能出现实际中不可预见或难以减缓的工伤。直接标记来自新分布的图像可能成本较高。作为更可及的替代方案，本研究评估了域适应作为训练模型以维持对新工伤性能的训练方法，即使没有相应的标签。我们在 sinogram 空间中模拟由探测器增益误差引起的环形工伤，并在 OrganAMNIST 腹部 CT 数据集上对抗域对抗神经网络 (DANN) 与基线和增强方法进行评估。我们通过在损失函数中模拟未见分布的标签缺失，并选择性地从计算图中分离未标记实例。我们的结果表明，仅在干净图像上训练的基线模型无法对带环形工伤的图像进行泛化，传统增强与其他失真类型提供的增强在未见见的工伤域上没有改善。相比之下，DANN 方法仅使用未标记的工伤数据进行训练，即可提高对环形工伤图像的分类准确率，表明域适应可有效应对医学成像中的分布迁移。该域适应模型在环形工伤测试数据上的分类准确率为 77.4%，比仅在无工伤图像上训练的基线模型高出 38.7%。这些发现提供了实证证据，表明域适应可以在不需要昂贵专家标记新工伤分布的情况下有效解决医学成像中的分布迁移问题，为在可能出现新型工伤的临床环境中部署提供了前景。