Gd-EOB-DTPA 增强肝脏相 MRI 的 CARE Liver Task Challenge 2025 的第一个解答：基于域泛化和测试时自适应的对比感知半监督分割
计算机视觉与模式识别
2025-10-13 v2
摘要
从对比增强 MRI 中准确分割肝脏对于诊断、治疗规划和疾病监测至关重要。然而，由于标注数据有限、增强协议异质且跨扫描仪和机构存在显著域迁移，这一任务仍具挑战。传统的图像到图像翻译框架在域泛化方面取得了显著进展，但其应用并不直接。例如，Pix2Pix 需要图像配准，cycle-GAN 无法无缝集成到分割管道中。此外，这些方法最初用于处理跨模态场景，常引入结构失真且训练不稳定，可能在单模态场景中造成缺点。为应对这些挑战，我们提出 CoSSeg-TTA，一个基于 nnU-Netv2 构建的紧凑型分割框架，用于 GED4（Gd-EOB-DTPA 增强肝胆相 MRI）模态，采用半监督 mean teacher 方案以利用大量未标注体积。域适应模块融合随机直方图基于风格的外观迁移函数和可训练对比感知网络，以丰富域多样性并缓解跨中心变异性。此外，采用持续测试时自适应策略以提高推理时的鲁棒性。大量实验表明，我们的框架在 nnU-Netv2 基线上持续优于基线，实现了更好的 Dice 系数和 Hausdorff Distance，同时在低标注条件下对未见域表现出强大的泛化能力。
引用
@article{arxiv.2510.04243,
title = {The 1st Solution for CARE Liver Task Challenge 2025: Contrast-Aware Semi-Supervised Segmentation with Domain Generalization and Test-Time Adaptation},
author = {Jincan Lou and Jingkun Chen and Haoquan Li and Hang Li and Wenjian Huang and Weihua Chen and Fan Wang and Jianguo Zhang},
journal= {arXiv preprint arXiv:2510.04243},
year = {2025}
}
备注
11 pages, 3 figures