面向无源域自适应医学图像分割的局部-全局伪标签校正

域偏移是医学影像解决方案中常见的问题，主要由成像设备与数据源的差异引起。为缓解该问题，无监督域自适应技术已被采用。然而，出于对患者隐私的担忧以及图像质量可能下降，无源域自适应日益受到关注。在本研究中，我们解决基于自训练的无源域自适应医学图像分割方法中伪标签错误的问题。为校正错误的伪标签，我们提出一种称为局部-全局伪标签校正（LGDA）的新方法，用于无源域自适应医学图像分割。我们的方法包含两个组成部分：一种利用图像空间局部上下文相似性的离线局部上下文伪标签校正方法；以及一种基于类原型的在线全局伪标签校正方法，其通过考虑逐像素特征向量与原型向量之间的相对距离来校正错误预测的伪标签。我们在三个眼底图像基准数据集上评估了我们的方法在视盘与视杯分割上的性能。即便不使用任何源数据，我们的方法仍优于最先进的（SOTA）方法。