PCA 提升乳腺超声肿瘤分割的跨数据集泛化能力

在医学图像分割中，当模型部署到未见过的数据集时，有限的外部有效性仍然是一个关键障碍，这一问题在超声图像领域尤为突出。现有的解决方案——如领域适应和基于 GAN 的风格迁移——虽然前景广阔，但在数据集通常较小且多样的医学领域往往表现不佳。本文提出了一种主成分分析（PCA）的新颖应用来解决这一局限性。PCA 预处理通过保留约 90% 的数据集方差来降低噪声并强调基本特征。我们在包含 3,983 张 B 模式图像及对应专家肿瘤分割掩膜的六个多样化乳腺肿瘤超声数据集上评估了我们的方法。对于每个数据集，创建了一个对应的降维 PCA 数据集，并在十二个数据集上分别训练基于 U-Net 的分割模型。在原始数据集上训练的每个模型都在其余五个域外原始数据集上进行推理（基线结果），而在 PCA 数据集上训练的每个模型都在五个域外 PCA 数据集上进行推理。我们的实验结果表明，使用 PCA 重建数据集代替原始图像，提高了模型的召回率和 Dice 分数，特别是对于基线性能最低的模型-数据集对，在召回率（0.57 $\pm$ 0.07 vs. 0.70 $\pm$ 0.05, $p = 0.0004$）和 Dice 分数（0.50 $\pm$ 0.06 vs. 0.58 $\pm$ 0.06, $p = 0.03$）上取得了统计学显著提升。我们的方法将外部验证导致的召回率下降减少了 33%。这些发现强调了 PCA 重建作为一种缓解分割性能下降保障措施的潜力，特别是在具有挑战性的情况下，这对于增强现实世界医学应用中的外部有效性具有重要意义。