SHAPE：基于合理性评估的结构感知层次无监督域适应医学图像分割
计算机视觉与模式识别
2026-03-24 v1 人工智能
摘要
无监督域适应（UDA）是将医学分割模型部署到不同临床环境中不可或缺的技术。现有方法存在根本性局限， suffer from 语义不敏感的特征对齐导致分布保真度不足，以及忽视全局解剖约束的伪标签验证，进而无法防止全局不合理结构的形成。为此，我们提出SHAPE（Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation），一个致力于实现全局解剖合理性的框架。基于DINOv3基础模型，其层次特征调制（HFM）模块首先生成兼具高保真度和类别感知能力的特征。这一举措将核心挑战转向对伪标签的稳健验证。为补充传统像素级验证，我们引入超图合理性估计（HPE），利用超图评估标准图无法捕捉的全局解剖合理性。随后，我们引入结构异常修剪（SAP），通过跨视图稳定性清除残余噪声。在心脏和腹部跨模态基准测试中，SHAPE显著优于先前方法，实现了在心脏数据上的MRI->CT为90.08%，CT->MRI为78.51%的领先Dice分数，以及在腹部数据上的MRI->CT为87.48%，CT->MRI为86.89%。代码已公开于 https://github.com/BioMedIA-repo/SHAPE。
引用
@article{arxiv.2603.21904,
title = {SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation},
author = {Linkuan Zhou and Yinghao Xia and Yufei Shen and Xiangyu Li and Wenjie Du and Cong Cong and Leyi Wei and Ran Su and Qiangguo Jin},
journal= {arXiv preprint arXiv:2603.21904},
year = {2026}
}