学习什么值得学习：用于多模态肿瘤体积分割的主动和顺序域适应
计算机视觉与模式识别
2025-08-29 v1
摘要
对多模态医学数据的准确肿瘤体积（GTV）分割对于 nasopharyngeal carcinoma 和 glioblastoma 的放疗计划至关重要。近期深度神经网络的进展为医学图像分割带来了令人期待的结果，导致对标注数据的日益需求。由于对医学图像进行标注需要大量时间和人力，主动学习作为一种通过选择最具信息性的样本进行标注，并以最少的标注样本适配高性能模型的解决方案而日益受到关注。以往的主动域适应（ADA）方法通过选择与源域最远的样本来最小化样本冗余，但这种一次性选择容易导致负迁移，且源医学数据往往有限。此外，针对多模态医学数据的查询策略尚未得到探索。本文提出一种用于动态多模态样本选择的主动和顺序域适应框架。我们派生一种查询策略，基于样本的可信息性和可代表性来优先进行标注和训练。在多样化的肿瘤体积分割任务上的实证验证表明，我们的方法在分割性能上具有优势，显著优于现有的主动域适应方法。代码可在 git 仓库 \href{https://github.com/Hiyoochan/mmActS}{mmActS} 获取。
引用
@article{arxiv.2508.20528,
title = {Learning What is Worth Learning: Active and Sequential Domain Adaptation for Multi-modal Gross Tumor Volume Segmentation},
author = {Jingyun Yang and Guoqing Zhang and Jingge Wang and Yang Li},
journal= {arXiv preprint arXiv:2508.20528},
year = {2025}
}