基于协作域适应的异构结构MRI学习框架用于晚期抑郁 assessment
计算机视觉与模式识别
2025-07-31 v1 人工智能
摘要
准确识别晚期抑郁（late-life depression, LLD）是使用结构脑MRI的关键，这对于监测疾病进展和促进及时干预至关重要。然而，现有的基于学习的方法往往受限于有限的样本量（例如十几人），这对可靠的模型训练和泛化性提出了重大挑战。虽然通过纳入辅助数据集可以扩大训练集，但显著的域异构性（例如扫描协议、扫描仪硬件和人口统计信息方面的差异）常常削弱了跨域的可转移性。为解决此问题，我们提出了一种用于LLD检测的协作域适应（Collaborative Domain Adaptation, CDA）框架，针对T1加权MRI。CDA框架利用Vision Transformer（ViT）捕获全局解則上下文，利用卷积神经网络（Convolutional Neural Network, CNN）提取局部结构特征，每个分支包括编码器和分类器。CDA框架包括三个阶段：(a)在标记的源数据上进行监督训练，(b)自监督目标特征适应，以及(c)在未标记的目标数据上进行协作训练。我们首先在源数据上训练ViT和CNN，然后通过最小化两个分支分类器输出之间的差异来实现自监督目标特征适应，以使类别边界更清晰。协作训练阶段使用标记化和增强的目标域MRI，强制在强和弱增强下的预测一致性，以提高域鲁棒性和泛化性。在来自多中心T1加权MRI数据的广泛实验表明，CDA consistently优于最先进的无监督域适应方法。
引用
@article{arxiv.2507.22321,
title = {Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment},
author = {Yuzhen Gao and Qianqian Wang and Yongheng Sun and Cui Wang and Yongquan Liang and Mingxia Liu},
journal= {arXiv preprint arXiv:2507.22321},
year = {2025}
}