利用源域监督的无标签目标域跨域泛化方法
计算机视觉与模式识别
2026-05-29 v1
摘要
通常希望对使用稠密标注训练的医学成像AI模型进行泛化，以适应来自不同超声扫描仪或临床站点的数据;然而，使用新标注重新训练这些模型往往困难且昂贵。我们聚焦于肺部骨折评估中的儿童腕部骨折问题，该问题使用便携式超声(Point-of-Care Ultrasound, POCUS)，其中骨折常见且可通过超声有效分流。AI显示出相当于放射科医生的水平的骨折检测性能，这常常辅以高质量的骨骼结构分割。然而，由于显著的域迁移，这些模型在来自其他中心或探头的数据上的表现较差，跨设备获取分割标签往往不可行，因为手动标注工作量大且存在数据隐私问题。为此，我们提出了一种目标信息自监督预训练和模型集成策略。具体而言，我们的方法结合掩码图像建模(MIM)和对比学习，以无标签方式学习目标域结构表示，同时引入置信度感知注入头来适度整合预测。源数据集使用Philips Lumify探头收集，包含稠密标签;目标数据集使用TeleMED便携式探头收集，无标签。在整个过程中严格分离数据集。该方法在318张来自62例儿童POCUS视频的图像上显著提升了跨设备性能，在目标域上相对于基线实现了超过6%的Dice改进。这些结果表明，这是一种标签高效且隐私保护的跨设备鲁棒超声AI方法，为可扩展至多中心研究或联邦学习设置提供了框架。
引用
@article{arxiv.2605.29122,
title = {Robust Cross-Domain Generalization Using Unlabeled Target Data with Source-Domain Supervision},
author = {Yuyue Zhou and Shrimanti Ghosh and Michael and Xie and Justin JY Kim and Jessica Knight and Steel McDonald and Vincent Man and Jacob L. Jaremko and Abhilash Hareendranathan},
journal= {arXiv preprint arXiv:2605.29122},
year = {2026}
}