基于课程学习的医学图像分割鲁棒源自由域适应
计算机视觉与模式识别
2025-10-10 v1
摘要
最近的研究揭示了一种新的研究方向，即源自由域适应，这种方法无需使用源数据即可将模型适应到目标域。这种设置可以解决医学图像数据隐私和安全问题的顾虑。然而，当前的源自由域适应框架主要关注目标数据的伪标签细化，而不考虑学习过程。事实上，从源域到目标域的渐进式学习过程将有助于模型适应期间的知识传递。为此，我们提出了一种基于课程的框架，即学习从课程（LFC），用于源自由域适应，该框架包括易到难和源到目标的课程。具体而言，前者使框架能够以“容易”的样本开始学习，并通过增加样本难度来逐渐调整模型适应的优化方向。而后者则稳定了适应过程，确保模型从源域平滑地传递到目标域。我们在公开的眼底分割和结肠黏膜分割数据集上评估了所提出的源自由域适应方法。大量实验结果表明，我们的框架优于现有方法，实现了新的状态突破。
引用
@article{arxiv.2510.08393,
title = {Robust Source-Free Domain Adaptation for Medical Image Segmentation based on Curriculum Learning},
author = {Ziqi Zhang and Yuexiang Li and Yawen Huang and Nanjun He and Tao Xu and Liwei Lin and Yefeng Zheng and Shaoxin Li and Feiyue Huang},
journal= {arXiv preprint arXiv:2510.08393},
year = {2025}
}