面向前列腺 MRI 分割跨未见域泛化的形状感知元学习

模型在域偏移（如不同成像协议与扫描仪）下的泛化能力对深度学习方法的真实临床部署至关重要。本文解决域泛化这一挑战性问题，即从多域源数据学习模型，使其能直接泛化至未见目标域。我们提出一种新颖的形状感知元学习方案，以提升前列腺 MRI 分割中的模型泛化能力。我们的学习方案根植于基于梯度的元学习，通过在训练中利用虚拟元训练与元测试显式模拟域偏移。重要的是，考虑到将分割模型应用于未见域时遇到的缺陷（即预测掩码形状不完整与边界模糊），我们进一步引入两个互补的损失目标以增强元优化，特别地在模拟域偏移下鼓励分割结果的形状紧致性与形状平滑性。我们在来自六个不同机构、采集自公共数据集且具分布偏移的前列腺 MRI 数据上评估了我们的方法。实验结果表明，在所有六种未见域设定下，我们的方法一致优于许多最先进的泛化方法。