SRPL-SFDA：SAM引导的源域自由医学图像分割可靠伪标签方法
计算机视觉与模式识别
2025-06-12 v1
摘要
域适应（DA）对于将医学图像分割模型部署到具有显著域偏移的新临床中心至关重要。源域自由域适应（SFDA）因其可在适应目标域数据时处理源域数据的隐私问题和访问限制而受到欢迎。然而，SFDA面临目标域中无标签图像导致监督不足等挑战。本工作中，我们提出了一种用于SFDA的SAM引导可靠伪标签方法（SRPL-SFDA），包含三个关键组件：1）测试时三分支强度增强（T3IE），不仅提升目标域原始伪标签的质量，还提供与SAM兼容的三通道输入以更好地利用SAM的零样本推理能力来精化伪标签；2）基于T3IE下输入扰动下多个SAM输出一致性（CMSO）的可靠伪标签选择模块，用于拒绝低质量伪标签；3）目标域中无标签数据的可靠性感知训练流程，其中可靠伪标签用于监督，不可靠部分由熵最小化进行正则化。在两个多域医学图像分割数据集（胎儿脑和前列腺）上的实验表明：1）SRPL-SFDA有效提升了目标域中伪标签的质量，并通过可靠性感知训练改善了SFDA性能；2）SRPL-SFDA优于最先进的SFDA方法，其性能接近目标域的监督训练。该工作的代码在线公开：https://github.com/HiLab-git/SRPL-SFDA。
引用
@article{arxiv.2506.09403,
title = {SRPL-SFDA: SAM-Guided Reliable Pseudo-Labels for Source-Free Domain Adaptation in Medical Image Segmentation},
author = {Xinya Liu and Jianghao Wu and Tao Lu and Shaoting Zhang and Guotai Wang},
journal= {arXiv preprint arXiv:2506.09403},
year = {2025}
}
备注
18 pages, 4 figures. Accepted for publication in Neurocomputing