基于无监督域适应的脑肿瘤分类——面向多模态 MRI 的方向感知框架
计算机视觉与模式识别
2026-05-06 v1
摘要
深度学习模型在神经内科医学中的脑肿瘤诊断临床集成，因受限于专家标注的 MRI 数据以及因扫描仪、成像协议和对比剂设置差异导致的跨机构域迁移问题，受到严重限制。这些挑战显著削弱了模型在实际应用中的泛化能力。为此，本文提出一种新颖的、面向多模态 MRI 脑肿瘤分类的方向感知无监督域适应框架。首先，一个感受野较大的 CNN 对输入切片进行分类，以轴向、侧位和冠状视图三种方向进行区分。对于每种方向，都采用带有 ResNet50 主干网络并增强了四个全连接层的 CNN 架构，以提取肿瘤分类的判别特征。为缓解标注稀缺和域差异，本文引入切片级别的无监督域适应策略，将多模态（如 T1、T2 和 FLAIR）源域的知识传递到对比增强 T1 目标域。通过最大均值不等式损失实现特征级别对齐，并辅以伪标签引导的适应以保持类别判别性。大量实验表明，我们的方法在目标域性能优于先前方法，突出了方向特定学习、多模态知识传递、伪标签引导适应和无监督域适应的优势。
引用
@article{arxiv.2605.03490,
title = {Orientation-Aware Unsupervised Domain Adaptation for Brain Tumor Classification Across Multi-Modal MRI},
author = {Sapna Sachan and Amulya Kumar Mahto and Prashant Wagambar Patil},
journal= {arXiv preprint arXiv:2605.03490},
year = {2026}
}
备注
10 pages